如何在Python中加载并应用于网络的预训练PyTorch (.pt)模型权重？

在Python中加载预训练的PyTorch (.pt)模型权重通常涉及以下几个步骤：

1. 导入必要的库[^1]:

import torch
from torch import nn

2. 定义你的网络模型类，假设它与`SimpleModel`相似:

class YourModel(nn.Module):
    # ...模型定义...

3. 加载预训练模型的状态字典（state_dict）:

pretrained_weights = torch.load('path_to_your_pretrained_model.pt')
your_model = YourModel()
your_model.load_state_dict(pretrained_weights)

这里，`path_to_your_pretrained_model.pt`应替换为你实际的预训练模型文件路径。

4. (可选)如果模型的架构与预训练模型不同，可能需要做一些调整，比如忽略不匹配的层或更新层的参数:

# 如果模型结构调整过，可以这样选择性地加载部分参数
compatible_layers = {k: v for k, v in pretrained_weights.items() if k in your_model.state_dict()}
your_model.load_state_dict(compatible_layers, strict=False)

`strict=False`表示允许非严格的模式匹配，即即使某些层不存在，也可以继续加载。

5. 初始化模型后，可以直接用于预测或进一步训练。

相关问题--:
1. 如何检查加载的预训练模型是否正确？
2. 如果模型结构发生变化，应该如何处理加载的预训练权重？
3. 使用`load_state_dict()`时，如果不指定`strict=True`会发生什么？