前言

在深度学习训练中，我们经常需要：

• 修改官方预训练模型（VGG、ResNet）

• 给网络新增网络层

• 保存训练好的模型、断点续训

• 加载模型继续训练/推理

PyTorch 提供了两种保存模型、两种加载模型的方式，新手极易混淆、极易报错。

本文结合 VGG16 实战代码，一次性彻底讲透，以后永远不用死记硬背。

一、基础认知：PyTorch 模型构成

一个完整的神经网络包含两部分：

1. 模型结构：卷积、池化、全连接、Sequential 等网络骨架

2. 模型参数（权重）：weight、bias（可训练参数）

两种保存方式本质区别：

• 方式1：保存 结构 + 权重

• 方式2：只保存 权重参数（官方推荐）

二、实战1：加载官方模型 + 自定义修改网络

1. 加载原生VGG16（无预训练权重）

import torch from torchvision import models # 只加载网络结构，权重随机初始化 vgg16 = models.vgg16(weights=None) print(vgg16)

此时 VGG16 默认输出是 1000 分类（ImageNet数据集）。

2. 给模型【新增网络层】（重点）

如果我要改成 10分类（CIFAR10），可以直接给模型末尾加一层：

# 给模型动态添加一层全连接 vgg16.add_module("add_linear", torch.nn.Linear(1000, 10)) print(vgg16)

add_module(层名, 层结构)

执行后，模型结构多了：add_linear: Linear(1000, 10)

✅ 此时模型结构被永久修改，权重也多出两组参数：

• add_linear.weight

• add_linear.bias

👉 后续保存权重，就会包含这两个参数，加载时结构必须一致，否则报错！

三、PyTorch 两种模型保存方式（核心重点）

方式一：保存整个模型对象（结构+权重）

# 保存整个模型 torch.save(vgg16, "vgg16_method1.pth")

保存内容：网络结构 + 所有权重参数

优点：加载不用写模型结构，一行直接用

致命缺点：

• 兼容性极差，PyTorch版本更新就炸（2.6版本后严格限制）

• 存在安全风险，新版本默认禁止加载

❌ 工作、比赛、项目一律不推荐

方式二：只保存模型参数（state_dict）【官方推荐】

# 只保存权重参数字典 torch.save(vgg16.state_dict(), "vgg16_method2.pth")

保存内容：仅保存所有 weight、bias（字典形式）

优点：

• 体积最小、纯参数、无版本兼容问题

• 绝对安全，工业界通用标准

缺点：加载前必须手动搭建一模一样的模型结构

✅ 唯一推荐的保存方式

四、两种对应的加载方式（必须一一对应）

方式1：加载【完整模型文件】（对应保存方式1）

import torch # 新版PyTorch必须加 weights_only=False model = torch.load("vgg16_method1.pth", weights_only=False) print(model)

直接加载出完整模型，不需要搭建网络。

⚠️ 仅限自己本地测试使用！

方式2：加载【权重参数文件】（对应保存方式2）

最容易报错、最重要！！！

规则：加载时的模型结构 = 保存时的模型结构（必须完全一致）

因为我保存时多加了一层 add_linear，所以加载时也要加！

import torch from torchvision import models # 1. 先搭建【和保存时一模一样】的结构 model = models.vgg16(weights=None) model.add_module("add_linear", torch.nn.Linear(1000, 10)) # 2. 再加载权重 model.load_state_dict(torch.load("vgg16_method2.pth")) print(model)

五、你之前报错的终极解释（必看）

报错内容

Unexpected key(s) in state_dict: "add_linear.weight", "add_linear.bias"

报错原因（100%精准）

• 保存时：模型多了 add_linear 层，权重文件里存了这两个参数

• 加载时：你只创建了原生 VGG16，没有 add_linear

• 结构对不上，权重参数无处安放 → 直接报错

✅ 解决方法：加载前，补全所有自定义层！

六、拓展：常用两种模型修改方式

方式1：add_module 新增层（你学的）

适合：模型末尾追加分类头

方式2：直接替换原有层（更常用）

# 直接替换VGG最后一层分类器 vgg16.classifier[6] = torch.nn.Linear(4096, 10)

七、最终总结（可背诵）

1. 两种保存区别

• torch.save(model, path)：保存结构+权重，省事但不通用、新版本易报错

• torch.save(model.state_dict(), path)：只保存权重，官方标准、工业唯一推荐

2. 两种加载规则

• 完整模型文件 → torch.load() 直接加载

• 权重参数文件 → 先搭结构、后载权重

3. 报错核心口诀

权重里有的层，模型里必须有；权重里没有的层，模型不能乱加。

4. 工作最佳实践

永远只用：state_dict 保存 + 先建结构再加载

八、完整可运行模板（以后直接复制）

保存模板

model = models.vgg16(weights=None) model.add_module("add_linear", torch.nn.Linear(1000,10)) torch.save(model.state_dict(), "best.pth")

加载模板

model = models.vgg16(weights=None) model.add_module("add_linear", torch.nn.Linear(1000,10)) model.load_state_dict(torch.load("best.pth"))