pytorch加载自己训练好的模型

使用PyTorch加载自己训练好的模型非常简单。在加载模型之前，我们需要确保已经安装了PyTorch和对应的依赖库。

首先，我们需要导入必要的PyTorch模块。在导入模块之前，我们需要确认模型的定义和相应的训练代码之前已经完成。

import torch
import torch.nn as nn
import torchvision

# 定义模型类
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=3)
        self.fc1 = nn.Linear(64 * 10 * 10, 10)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = x.view(x.size(0), -1)
        x = self.fc1(x)
        return x

# 创建模型实例
model = MyModel()

# 加载训练好的模型
checkpoint = torch.load('path/to/model.pt')
model.load_state_dict(checkpoint)

在上面的代码中，我们首先导入了必要的PyTorch和torchvision模块。接下来，我们定义了一个自定义的模型类`MyModel`，包含了模型的结构和前向传播方法。

然后，我们创建了一个模型实例，并使用`torch.load`函数加载了之前训练好的模型的参数。注意，`path/to/model.pt`应该替换为你保存模型的路径。

最后，我们使用`model.load_state_dict()`方法将加载的模型参数复制到我们定义的模型实例中。这样，我们就成功加载了自己训练好的模型。

需要注意的是，在加载模型时，模型的结构和参数应该与训练时保持一致，否则会出现错误。