torch.load(

### 如何正确使用 PyTorch 的 `torch.load` 方法

#### 基本功能描述
`torch.load()` 主要用于读取保存在文件中的数据，并将其转换为 PyTorch 能够处理的对象。这些对象可以是模型参数、优化器状态、数据集等[^1]。

#### 加载模型参数示例
下面是一个简单的例子，展示如何利用 `torch.load()` 来加载之前训练好的模型参数：

假设有一个已经训练完成并保存下来的模型文件名为 "model.pth"。

import torch
from my_model import MyModel  # 自定义网络结构类MyModel

# 初始化自定义的神经网络实例
model = MyModel()

# 使用torch.load方法加载存储于本地磁盘上的预训练权重到内存中
checkpoint = torch.load('model.pth')

# 将加载后的字典形式的数据赋给模型对应的属性上
model.load_state_dict(checkpoint['model_state_dict'])

这里需要注意的是，在实际操作过程中可能还需要根据具体情况调整设备（CPU/GPU），以及考虑多GPU单机/分布式训练等因素带来的影响。

对于不同版本间的兼容性问题也应给予重视，确保所使用的PyTorch版本与保存时一致或至少向前兼容[^2]。

相关问题

torch.load

torch.load是一个PyTorch函数，可以用于从磁盘加载序列化的对象（例如模型）。 它接受一个文件路径作为输入并返回对象。 例如，在加载保存的模型时，可以使用以下代码：

model = torch.load('saved_model.pt')

该函数还可以使用map_location参数将对象加载到指定设备上。例如：

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = torch.load('saved_model.pt', map_location=device)

torch.jit.load和torch.load

`torch.jit.load` 和 `torch.load` 是PyTorch库中的两个用于加载训练好的模型的功能，但它们之间存在一些差异。

`torch.load()` 可以加载保存的PyTorch模型状态（包括参数、优化器状态等），通常适用于非图模式（non-graph mode）下的模型。当你直接传递一个文件路径时，它期望的是一个.pth文件，这是标准的PyTorch模型保存格式。

然而，`torch.jit.load()` 是用来加载 TorchScript（一种可执行的模型格式）模型的。这意味着它是针对图模式（graph mode）的，主要用于序列化已经通过 `torch.jit.script()` 或 `torch.jit.trace()` 编译过的模型。这个函数对输入路径的要求比较严格，不能直接接受文件的绝对路径，因为它期望模型文件与调用它的脚本文件在同一目录下，或者是一个相对路径。

如果你有一个TorchScript模型文件，你可以这样加载：

# 假设你的模型文件名为model.pt
# 而你的脚本文件在同一个目录下
model = torch.jit.load("model.pt")

如果不在同一目录，你可能需要调整工作目录或者使用相对路径来解决这个问题：

import os
os.chdir(os.path.dirname(__file__))  # 设置到当前脚本所在的目录

model = torch.jit.load("model.pt")  # 使用相对路径