在Ubuntu系统中使用PyTorch进行模型的保存与加载是一个常见的操作。以下是详细的步骤和示例代码：

保存模型

1. 定义模型：首先，你需要定义一个模型。
2. 训练模型：在训练过程中，模型会不断更新其权重。
3. 保存模型：使用torch.save()函数将整个模型或仅保存模型的状态字典（state_dict）。

示例代码

import torch
import torch.nn as nn
import torch.optim as optim

# 定义一个简单的神经网络模型
class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc = nn.Linear(784, 10)  # 假设输入是784维，输出是10类

    def forward(self, x):
        x = x.view(x.size(0), -1)  # 将输入展平
        x = self.fc(x)
        return x

# 创建模型实例
model = SimpleNet()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 假设我们有一些训练数据
inputs = torch.randn(64, 1, 28, 28)  # 示例输入
labels = torch.randint(0, 10, (64,))  # 示例标签

# 训练模型（这里省略了训练循环）
for epoch in range(5):
    optimizer.zero_grad()
    outputs = model(inputs)
    loss = criterion(outputs, labels)
    loss.backward()
    optimizer.step()

# 保存整个模型
torch.save(model, 'model.pth')

# 或者仅保存模型的状态字典
torch.save(model.state_dict(), 'model_state_dict.pth')

加载模型

1. 加载模型：使用torch.load()函数加载模型或模型的状态字典。
2. 加载状态字典：如果之前保存的是状态字典，需要先创建一个模型实例，然后加载状态字典。

示例代码

# 加载整个模型
loaded_model = torch.load('model.pth')

# 或者加载模型的状态字典
model = SimpleNet()  # 创建一个新的模型实例
model.load_state_dict(torch.load('model_state_dict.pth'))

# 确保模型在评估模式
model.eval()

# 使用加载的模型进行预测
with torch.no_grad():
    test_inputs = torch.randn(1, 1, 28, 28)  # 示例测试输入
    predictions = loaded_model(test_inputs)
    print(predictions)

注意事项

1. 设备兼容性：如果模型是在GPU上训练的，保存的模型文件默认也会包含GPU信息。在加载到CPU上进行推理时，需要将模型移动到CPU：

   model = model.to('cpu')
   

2. 版本兼容性：不同版本的PyTorch可能会有不同的模型保存格式，确保加载模型的PyTorch版本与保存模型的版本兼容。

通过以上步骤，你可以在Ubuntu系统中轻松地进行PyTorch模型的保存与加载。