方法一：仅保存和加载模型参数（推荐）

这种方法只保存模型的参数（weights 和 biases），而不保存模型的结构。需要在加载模型时重新定义模型结构。

• 保存模型参数

import torch
# 假设 model 是已经训练好的模型实例
torch.save(model.state_dict(), 'model_parameters.pth')

• 加载模型参数

import torch
import torch.nn as nn
# 重新定义模型结构
class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.fc = nn.Linear(10, 1)
    def forward(self, x):
        return self.fc(x)
# 实例化模型
model = SimpleModel()
# 加载模型参数
model.load_state_dict(torch.load('model_parameters.pth'))

方法二：保存和加载整个模型

这种方法将模型的结构和参数一起保存和加载。它更简单，但不太灵活，因为你依赖于保存时的模型结构。

• 保存整个模型

# 假设 model 是已经训练好的模型实例
torch.save(model, 'full_model.pth')

• 加载整个模型

model = torch.load('full_model.pth')

两种方法对比

• 兼容性问题
  方法一仅保存模型参数，只需要在加载时定义相同的模型结构，减少了环境和版本依赖性；而方法二会导致模型文件依赖于创建它的Python环境和PyTorch版本。如果在不同的环境或PyTorch版本中加载，可能会遇到兼容性问题。

• 文件大小：
  方法一仅保存参数，文件较小，更加高效。方法二由于保存了整个模型的结构和状态，文件通常会比仅保存参数的文件大。