跨机器加载pytorch模型失败的主因是未固定随机状态、设备不匹配、自定义类缺失或版本不兼容；应保存state_dict、调用model.eval()、加载时指定map_location并确保环境一致。
模型保存时没固定随机状态，跨机器加载出错
PyTorch 模型在 A 机保存、B 机加载失败，常见原因之一是 torch.save() 保存了含随机状态的模块（比如 Dropout 或 BatchNorm 的训练态），而 B 机 PyTorch 版本或 CUDA 环境不同，导致反序列化时内部张量校验失败或行为不一致。
- 务必在保存前调用
model.eval()，关闭Dropout和BatchNorm的训练逻辑 - 避免保存整个模型对象（
torch.save(model, ...)），改用保存状态字典：torch.save(model.state_dict(), ...) - 如果必须保存完整模型，确保两台机器的 PyTorch 版本完全一致（包括
1.13.1+cu117这种带 CUDA 后缀的版本）
保存和加载时设备不匹配引发 RuntimeError
在 GPU 上训练并保存的模型，直接在无 GPU 的机器上调用 torch.load(...) 会报错：RuntimeError: Attempting to deserialize object on a CUDA device。
- 保存时无需特殊操作，但加载时必须显式指定
map_location： - 加载到 CPU：用
torch.load('model.pth', map_location='cpu') - 加载到特定 GPU：用
torch.load('model.pth', map_location='cuda:0') - 更健壮写法：
torch.load('model.pth', map_location=torch.device('cpu'))，避免字符串硬编码
自定义类或模块未在加载环境中定义
如果模型里用了自定义 nn.Module 子类（比如 MyResBlock），而加载机器没导入该类，torch.load() 会抛出 AttributeError: Can't get attribute 'MyResBlock' on <module></module>。
- 确保加载脚本中已执行
from my_model_module import MyResBlock（不是只 import model 文件本身） - 不要把自定义类写在 Jupyter notebook 的 cell 里——这类对象无法被序列化还原
- 检查
sys.path是否包含自定义模块路径；必要时用sys.path.insert(0, '/path/to/your/module') - 若用
state_dict方式保存，只要模型结构代码一致，就不依赖类定义（但需保证model.load_state_dict(...)前已实例化好结构）
Python 或 PyTorch 版本差异触发 pickle 兼容问题
高版本 Python（如 3.11）保存的模型，在低版本（如 3.8）上加载可能失败，尤其当模型里存了 lambda、嵌套函数或新语法对象时；PyTorch 1.12+ 默认用 protocol 5 序列化，旧版本不支持。
- 保存时强制降级 pickle 协议：
torch.save(..., _use_new_zipfile_serialization=True, pickle_protocol=4) - 更稳妥做法：统一使用
state_dict+ 显式模型定义，避开 pickle 反序列化逻辑 - 验证方式：在目标机器上先运行
import torch; print(torch.__version__, sys.version)，再比对保存环境
跨机器部署模型最稳的路径就是：保存 state_dict + 记录模型结构代码 + 固定 torch.manual_seed + 加载时指定 map_location。任何省略其中一环，都可能卡在某个看似无关的报错上。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
