只保存和加载 state_dict 是唯一能兼顾跨环境、可维护性与推理稳定性的做法，因其避免了 pickle 序列化导致的类定义、路径、版本等依赖问题，并需配合 map_location、手动构建模型、eval() 及明确命名规范。
只保存和加载 state_dict，不碰 torch.save(model, ...) —— 这是唯一能兼顾跨环境、可维护性与推理稳定性的做法。
为什么不能直接 torch.save(model, path)
这会把整个 Python 对象（含类定义、模块路径、临时属性）用 pickle 打包。一旦加载时缺少同名类、文件位置变了、PyTorch 版本不一致，就会报 AttributeError: Can't get attribute 'MyModel' on 或更模糊的 Missing key 错误。这类问题往往只在部署或换机器时爆发，调试成本极高。
常见错误场景包括：
- 训练脚本里定义了
class Net(nn.Module): ...，但加载时没 import 它 - 模型用了
nn.DataParallel，保存时没取model.module.state_dict()，导致键名带module.前缀，单卡加载失败 - 保存时用了
torch.compile(model)，但state_dict不包含编译图，加载后必须重新torch.compile()
torch.load() 必须配 map_location
GPU 上训练、CPU 上加载是最常见需求。不指定 map_location 会导致 RuntimeError: Attempting to deserialize object on a CUDA device but torch.cuda.is_available() is False。
正确写法是：
-
torch.load('model.pth', map_location='cpu')—— 强制加载到 CPU -
torch.load('model.pth', map_location=torch.device('cuda:0'))—— 指定 GPU 设备 -
torch.load('model.pth', map_location=lambda storage, loc: storage)—— 更底层的兼容写法，适用于旧版本或自定义设备映射
注意：map_location 必须在 torch.load() 里指定，而不是之后再调 model.to(device) —— 后者会先尝试把张量加载到原设备（比如 CUDA），再搬移，容易触发设备不可用错误。
加载前必须手动构造模型实例
state_dict 只是参数字典，它不包含任何网络结构信息。PyTorch 不提供“从权重反推模型”的能力。
所以加载流程只能是三步：
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 先写好模型类定义（哪怕只是复制粘贴一份）
- 用相同参数初始化模型：例如
model = MyModel(n_classes=10) - 再调
model.load_state_dict(torch.load(...))
漏掉第一步或参数不一致（比如 n_classes 改成 5），就会出现 size mismatch for fc.weight 错误。建议加载后加一句验证：
missing, unexpected = model.load_state_dict(state_dict, strict=False)
print(f"缺失参数: {missing}, 意外参数: {unexpected}")
如果 missing 非空，说明模型结构对不上；如果 unexpected 非空，可能是保存时混入了优化器状态，或模型用了 DataParallel 但没处理前缀。
推理模式与优化器状态要分开管理
用于推理时，加载完必须调 model.eval()。否则 BatchNorm 和 Dropout 仍按训练模式运行，输出不稳定甚至出错。
若需断点续训，优化器状态也得单独保存：
- 保存：
torch.save({'model': model.state_dict(), 'optimizer': optimizer.state_dict()}, 'checkpoint.pth') - 加载：
ckpt = torch.load('checkpoint.pth'); model.load_state_dict(ckpt['model']); optimizer.load_state_dict(ckpt['optimizer'])
切记：优化器的 state_dict 和模型的 state_dict 是两个独立字典，不能合并、不能互换、不能共用同一个文件名而不加区分。
最易被忽略的一点：.pth 或 .pt 文件本身不带元数据，你无法仅靠文件内容判断它存的是纯权重、完整模型还是 checkpoint —— 所以命名和文档必须明确，比如 model_weights.pth、checkpoint_epoch_10.pth，否则半年后你自己都可能搞混。
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！
