使用PyTorch中的torchvision读取预训练模型

### 如何在 PyTorch 中加载预训练模型 为了在 PyTorch 中加载预训练模型，通常有两种主要方式：一种是从官方提供的预训练权重文件中直接加载；另一种则是通过自定义路径加载本地保存的模型。下面分别介绍这两种方法并提供相应的代码实例。 #### 方法一：从官方资源加载预训练模型 许多流行的神经网络架构已经在 torchvision.models 或其他库中实现了，并附带了 ImageNet 数据集上的预训练参数。只需指定 `pretrained=True` 即可轻松获取这些预训练好的模型。 ```python import torch from torchvision import models model = models.resnet18(pretrained=True) # 加载 ResNet-18 预训练模型 ``` 此段代码展示了如何利用 torchvision 库中的 resnet18 函数来创建一个带有 ImageNet 上预训练权重的 ResNet-18 模型[^1]。 #### 方法二：从本地磁盘加载已保存的模型 当需要恢复之前训练过的特定版本的模型时，则可以采用这种方式。这涉及到先序列化（即保存）整个模型的状态字典到硬盘上，在后续运行期间再反序列化回来。 ```python # 假设 'checkpoint.pth' 是先前保存的一个检查点文件名 checkpoint_path = "path/to/checkpoint.pth" device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu') # 初始化相同结构的新模型对象 model = TheModelClass(*args, **kwargs) # 将模型移动至 GPU (如果可用的话) model.to(device) # 使用 map_location 参数确保即使是在不同设备间也能正确读取数据 state_dict = torch.load(checkpoint_path, map_location=device)[^2] # 载入状态字典更新当前模型参数 model.load_state_dict(state_dict) # 设置为评估模式 model.eval() ``` 上述代码片段说明了怎样使用 `torch.load()` 来处理可能存在于 CPU 和 GPU 不同环境之间的兼容性问题，同时也强调了设置好目标计算平台的重要性。