#d 兩種保存方式比較

僅保存模型參數
優點:

• 更加靈活，只保存模型的參數，不保存模型的結構，可以在不同的模型結構中加載參數（只要參數匹配）。
• 文件大小通常比保存整個模型小。
• 安全性更高，因為不直接執行pickle內容。

缺點:

• 加載模型前需要先定義模型的結構，增加了代碼量。

保存整個模型
優點:

• 保存簡單，一行代碼完成。
• 加載模型時不需要再定義模型的結構。

缺點:

• 保存的模型依賴于具體的類定義，如果模型的結構有所改變（例如類名、層的結構等），加載時可能會出現問題。
• 文件通常比僅保存狀態字典的方式大。
• 可能存在安全風險，因為torch.load會加載任何pickle內容。

總結：

僅保存模型的參數（狀態字典）是更加推薦的方式，因為它更加靈活和安全。但是，如果你想要快速保存和加載整個模型，不擔心模型結構變化或安全問題，保存整個模型也是一個可行的選擇。

1 僅保存模型參數

#c 說明 保存加載方式

PyTorch保存模型的「學習參數」是通過state_dict的一個內部狀態字典，使用torch.save來保存模型的學習參數。

#e 模型保存方式一

model = models.vgg16(weights='IMAGENET1K_V1')
'''
vgg16是一個非常流行的卷積神經網絡，經過了大量的訓練，可以識別1000個不同的對象。
weights='IMAGENET1K_V1'表示加載了在ImageNet數據集上預訓練的權重。
'''
torch.save(model.state_dict(), 'model_weights.pth')#狀態字典與保存路徑

#e 模型加載方式一

加載模型權重，首先需要創建一個與「原始模型相同的模型實例」，然后使用load_state_dict方法加載參數。

注意：需要使用model.eval()方法將模型設置為評估模式，這將關閉Dropout和BatchNorm層。否則將會導致不一致的推理結果。

model = models.vgg16()#加載模型
model.load_state_dict(torch.load('model_weights.pth'))#加載模型權重
model.eval()#設置模型為評估模式

2 保存整個模型

#c 說明 保存整個模型

在加載模型權重時，需要首先實例化模型類，因為模型類定義了網絡的結構。如果希望將模型類的架構與模型一起保存，那么可以傳遞模型本身（而不是模型的狀態字典model.state_dict()）給保存函數。

#e 模型保存方式二

torch.save(model, 'model.pth')#保存模型

#e 模型加載方式二

model = torch.load('model.pth')#加載模型