如何在Python中解决PyTorch模型保存体积过大_只保存state

应保存 model.state_dict() 而非整个 model，因其仅含参数和缓冲区张量，轻量、可移植、加载快；完整保存需包含 epoch、optimizer 等元信息，并注意 eval() 模式、结构一致性和 device 映射。

如何在python中解决pytorch模型保存体积过大_只保存state_dict而非模型

为什么保存 `model.state_dict()` 而不是整个 `model`？

直接 torch.save(model, path) 会把模型类定义、构造函数参数、甚至 Python 对象引用（如自定义 forward 中的闭包、非 tensor 属性）一并序列化，体积大且跨环境易出错。而 model.state_dict() 只含 nn.Parameter 和已注册的 buffer（如 running_mean），纯张量字典，轻量、可移植、加载快。

保存时只存 `state_dict` 的标准写法

务必用 model.state_dict()，而非 model.module.state_dict()（除非用了 DataParallel 且当前是多卡训练后单卡加载）；同时建议加 torch.save(..., _use_new_zipfile_serialization=True)（PyTorch ≥1.6 默认开启，但显式声明更稳妥）：

torch.save({
    'epoch': epoch,
    'model_state_dict': model.state_dict(),
    'optimizer_state_dict': optimizer.state_dict(),
}, 'checkpoint.pth')

不推荐 torch.save(model.state_dict(), 'model.pth') —— 缺少元信息，后续无法知道训练轮次或优化器状态
若模型用了 torch.compile()，需先调用 torch.compile(model, ...).uncompile() 再取 state_dict，否则可能报 AttributeError: 'CompiledFunction' object has no attribute 'state_dict'
保存前可调用 model.eval()，避免训练态 buffer（如 dropout mask）被意外存入

加载时必须重建模型结构再载入 `state_dict`

torch.load() 返回的是字典，不能直接当模型用。必须先实例化相同结构的模型对象，再用 load_state_dict()：

361SCAN security check your skill python scripts

扫描并分析已安装技能，用于查看指定技能目录的名称、描述和详情，或列出所有已安装的技能。

下载

model = MyModel()  # 必须与保存时结构一致
checkpoint = torch.load('checkpoint.pth')
model.load_state_dict(checkpoint['model_state_dict'])

若提示 Missing key(s) in state_dict：说明模型结构变了（比如新增了层），可用 strict=False 忽略缺失键，但要确认是否合理
若提示 Unexpected key(s) in state_dict：说明模型结构变精简了（如删了某层），同样可设 strict=False，或检查是否误用了旧 checkpoint
加载后别忘了 model.to(device)，state_dict 本身不含 device 信息

进一步压缩体积：用 `torch.save(..., _pickle_protocol=4)` 和半精度

默认 pickle 协议较旧，文件偏大；另外，若推理场景允许，可转为 float16 存储权重（注意 batch norm 的 running_var 需保持 float32 稳定性）：

# 保存时转 half（仅适用于 inference）
state_dict = {k: v.half() if 'weight' in k or 'bias' in k else v
              for k, v in model.state_dict().items()}
torch.save(state_dict, 'model_half.pth', _pickle_protocol=4)