在Linux系统中，使用PyTorch保存和加载模型的步骤如下：

保存模型

1. 定义模型： 首先，你需要定义你的PyTorch模型。

   import torch
   import torch.nn as nn
   
   class MyModel(nn.Module):
       def __init__(self):
           super(MyModel, self).__init__()
           self.fc = nn.Linear(10, 5)
   
       def forward(self, x):
           return self.fc(x)
   
   model = MyModel()
   

2. 训练模型： 在训练过程中，你可以保存模型的权重。

   # 假设你已经训练了模型
   optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
   for epoch in range(10):
       # 训练代码...
       pass
   
   # 保存模型权重
   torch.save(model.state_dict(), 'model.pth')
   

加载模型

1. 加载模型权重： 当你需要重新加载模型并进行推理或继续训练时，可以使用load_state_dict方法。

   # 创建相同的模型实例
   model = MyModel()
   
   # 加载模型权重
   model.load_state_dict(torch.load('model.pth'))
   
   # 如果模型在GPU上训练，需要将其移动到CPU
   model.load_state_dict(torch.load('model.pth', map_location=torch.device('cpu')))
   

2. 使用模型进行推理： 加载模型后，你可以使用它进行推理。

   # 假设输入数据
   input_data = torch.randn(1, 10)
   
   # 使用模型进行推理
   output = model(input_data)
   print(output)
   

注意事项

• 模型架构：加载模型权重时，确保模型架构与保存时的架构一致。如果不一致，可能会导致错误。
• 设备兼容性：如果模型在GPU上训练，加载到CPU时需要使用map_location=torch.device('cpu')参数。
• 版本兼容性：确保PyTorch版本一致，不同版本的PyTorch可能会有不同的模型保存格式。

通过以上步骤，你可以在Linux系统中轻松地保存和加载PyTorch模型。