state_dict保存能避开ModuleNotFoundError，因为其仅存储张量映射而不含模块路径；而torch.save(model)会序列化完整类路径，加载时依赖原环境导入。
state_dict保存为什么能避开ModuleNotFoundError
直接 torch.save(model) 会把模型类的完整导入路径（比如 myproject.models.ResNetBlock）写进文件，加载时 Python 必须能 import 到那个模块。一旦路径改了、包没装、或只是重命名了文件，就会报 ModuleNotFoundError: No module named 'myproject' —— 这不是模型坏了，是 pickle 把环境“刻”进去了。
model.state_dict() 只返回一个 dict，键是字符串（如 'layer1.0.conv1.weight'），值是 tensor，不带任何模块引用。加载时只要模型类定义存在、层名一致，就能灌进去，和原始代码在哪、叫什么名完全无关。
- 适合 CI/CD 流水线：训练机和部署机不用共享同一套源码目录结构
- 适合 Docker 镜像：镜像里只放模型权重和推理脚本，不用打包训练时的整个项目
- 适合 Hugging Face 或 Model Zoo 分发：用户只需按文档实现对应结构，不依赖你本地的模块路径
跨 PyTorch 版本加载失败大概率出在完整模型保存上
PyTorch 2.0+ 默认启用新序列化格式（_use_new_zipfile_serialization=True），但旧版本保存的完整模型，在新版本中可能因内部类结构变更（比如 nn.Sequential 的属性名调整）而反序列化失败。错误常表现为 AttributeError 或 pickle.UnpicklingError。
state_dict 是纯张量映射，参数格式自 v1.0 起就高度稳定。v1.8 训练的 ResNet 权重，用 v2.3 加载几乎不会出问题——只要你用的模型类本身兼容新版本 API。
立即学习“Python免费学习笔记（深入）”；
- 团队升级 PyTorch 时，历史 checkpoint 不用重训
- 论文复现实验：别人用 v1.12 发布的
.pth，你用 v2.3 能直接 load - 注意例外：如果用了自定义
torch.nn.Module且其__init__逻辑在新版中被删改，那即使 state_dict 加载成功，forward 也可能出错
state_dict 支持 selective load 和 mismatch 容忍
微调、迁移学习、多任务头替换等场景下，你往往不需要加载全部参数。比如给预训练 ViT 加一个新分类头，原 state_dict 里没有 'head.weight'，但你可以设 strict=False：
model.load_state_dict(checkpoint, strict=False)
它会跳过缺失或多余的 key，只加载匹配的部分。而完整模型保存做不到这点——要么全加载，要么报 KeyError 或类型不匹配。
- 可只加载 backbone：
{k:v for k,v in sd.items() if 'backbone' in k} - 可重映射层名：
sd['classifier.weight'] = sd.pop('fc.weight') - 可冻结部分参数：加载后对特定层调用
param.requires_grad = False
文件体积和存储成本差异明显
一个 ResNet50 的 state_dict 文件通常 90–100 MB；完整模型保存则常达 130–150 MB，多出来的主要是模型类字节码、闭包变量、调试信息等。这些对推理毫无用处，却会拖慢上传、下载、缓存命中率。
尤其在频繁迭代的训练 pipeline 中，每轮保存 checkpoint 若都用完整模型，磁盘空间和对象存储费用会快速攀升。而 state_dict + optimizer.state_dict() + epoch + loss 的 checkpoint 结构，既轻量又保留恢复所需全部信息。
- 建议生产环境统一用
state_dict+ 元数据 dict 打包成 checkpoint - 避免把
torch.save(model)用于长期存档或共享 - 调试阶段临时保存可以，但上线前务必转成 state_dict 格式
state_dict 把问题从“环境一致性”收束到“结构一致性”，这是可控的；而完整模型把问题扩散到整个 Python 生态链路，不可控因素太多。 
