推荐用 torch.save(model.state_dict(), ...)，因其轻量、可移植、不绑定类定义；直接保存 model 易导致 eval 失效、梯度图残留或加载失败。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
PyTorch模型保存时用 torch.save(model.state_dict(), ...) 还是 torch.save(model, ...)
用 state_dict() 是常规且安全的选择，直接保存整个 model 容易出问题。
常见错误现象：加载用 torch.save(model, path) 保存的模型后，model.eval() 不生效、Dropout 仍在训练模式，或反向传播报 RuntimeError: Trying to backward through the graph a second time —— 因为保存了计算图和缓存的梯度状态。
-
state_dict()只存参数张量，轻量、可移植、不绑定模型类定义，适合部署和复训 - 直接保存
model会序列化整个 Python 对象，依赖当前代码结构；换一个文件里类名/路径稍有不同就ModuleNotFoundError或AttributeError - 如果必须保存完整模型（比如含自定义 forward 逻辑且不想重建实例），务必确保加载时环境完全一致，并手动调用
model.train(False)清理状态
加载模型时 load_state_dict() 报 Missing key(s) in state_dict 怎么办
说明模型结构和保存时的结构对不上，不是路径错了，是定义变了。
典型场景：你在原模型上加了新层、改了层名（比如把 self.fc 改成 self.classifier），但没更新保存逻辑；或者用了 nn.DataParallel 训练后，在单卡上直接加载 —— 此时键名会多出 module. 前缀。
立即进入“豆包AI人工智官网入口”；
立即学习“豆包AI人工智能在线问答入口”；
- 先用
print(list(model.state_dict().keys()))和print(list(checkpoint.keys()))对比键名差异 - 如果是
module.前缀问题，加载前做一次映射：{k.replace("module.", ""): v for k, v in checkpoint.items()} - 如果只是多了几个键（比如新增的
self.aux_head），加strict=False参数跳过不匹配项，但得自己确认哪些没载入 - 别用
model.load_state_dict(checkpoint, strict=True)硬扛，报错就停，它不会帮你猜意图
在 CPU 上加载 GPU 训练的模型，为什么报 Expected all tensors to be on the same device
因为 torch.load() 默认把权重放在原设备上，GPU 保存的 checkpoint 里张量还是 cuda:0 类型，CPU 模型没法直接接。
这不是模型写错了，是加载姿势不对。哪怕你后续调用 model.cpu()，也得先让 load_state_dict() 成功执行完。
- 加载时指定
map_location：用torch.load(path, map_location="cpu")或map_location=torch.device("cpu") - 如果模型是在多卡上用
DistributedDataParallel训练的，保存的是model.module.state_dict()，加载时也要注意别漏掉.module - 别等
forward()跑起来才报错，这个错误一定发生在load_state_dict()阶段之后、第一次model(input)之前
用 torch.jit.trace 导出模型后，为什么推理结果和原始模型不一致
trace 会固化模型某次前向过程中的控制流和张量形状，一旦输入变了，行为就不可靠。
常见于含条件分支（if x.size(0) > 1:）、动态 padding、或依赖输入值做 shape 推断的操作（比如 x.view(x.size(0), -1) 在 trace 时若 batch=1，-1 就被算死成某个固定数）。
- trace 前确保输入是典型尺寸 + 典型值，比如 batch=2、带真实文本/图像内容，别用全零张量
- 避免在
forward里写 Python 控制流；该用torch.where、torch.nn.functional.pad等可 trace 操作替代 - 导出后务必用相同输入跑一遍原始模型和 traced 模型，用
torch.allclose(out1, out2, atol=1e-5)校验，别只看 shape - 如果模型逻辑复杂，优先考虑
torch.jit.script，但它要求代码能被静态分析，对 typing 和 control flow 更敏感
