PyTorch模型保存：验证集最佳模型与训练模型

pytorch保存验证集效果最好的模型 pytorch保存训练模型
在深度学习训练过程中，模型的保存和加载是非常常见的操作。当模型训练完成后，通常需要将训练好的模型保存下来，以便后续的使用。PyTorch提供了便捷的模型保存和加载机制，可以帮助我们轻松地保存和加载模型。
在PyTorch中，模型的保存和加载可以通过torch.save()和torch.load()函数来实现。下面是一个简单的示例：

import torch
import torchvision.models as models
# 加载预训练模型
model = models.resnet50(pretrained=True)
# 在验证集上评估模型
model.eval()
with torch.no_grad():
val_loss = 0
correct = 0
for images, labels in val_loader:
outputs = model(images)
_, predicted = torch.max(outputs.data, 1)
correct += (predicted == labels).sum().item()
val_loss += criterion(outputs, labels).item()
val_loss /= len(val_loader.dataset)
print('Validation loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
val_loss, correct, len(val_loader.dataset),
100. * correct / len(val_loader.dataset)))
# 将模型保存到磁盘中
torch.save(model.state_dict(), 'best_model.pth')

在上面的代码中，我们首先加载了一个预训练的ResNet50模型，然后在验证集上评估了该模型的性能。在评估完成后，我们使用model.state_dict()函数获取了模型的参数，并使用torch.save()函数将参数保存到了磁盘中的best_model.pth文件中。这个文件包含了模型的参数，因此可以用来重新加载模型。
需要注意的是，保存模型时只能保存模型的参数，而不能保存模型的优化器状态（如学习率等）。如果需要保存优化器状态，可以在保存模型时将优化器状态一并保存下来：

torch.save({
'epoch': epoch,
'model_state_dict': model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': loss,
...}, 'checkpoint.pth')

在加载模型时，我们可以通过torch.load()函数加载模型参数，并通过model.load_state_dict()函数将参数加载到模型中：

checkpoint = torch.load('checkpoint.pth')
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
epoch = checkpoint['epoch']
loss = checkpoint['loss']
...