最近在使用PyTorch进行模型加载时，发现了一个有趣的现象：用`torch.load()`和`load_state_dict()`加载预训练模型后，新旧模型居然不完全一致？😱 这让我有点摸不着头脑。

首先，`torch.load()`用于加载整个序列化的对象，而`load_state_dict()`则专门用来加载模型参数。两者的应用场景不同，但理论上应该得到相同的结果吧？🧐 实际操作中却发现，如果直接加载整个模型文件，可能会丢失一些自定义信息（比如优化器状态）。相反，使用`load_state_dict()`虽然加载了参数，但如果保存模型时没有正确包含所有必需的状态，也可能导致问题。

解决方法也很简单：确保在保存模型时保存了完整的状态字典，包括网络结构和其他必要组件。例如：

```python

保存模型

torch.save({'model': model.state_dict(), 'optimizer': optimizer.state_dict()}, 'model.pth')

加载模型

checkpoint = torch.load('model.pth')

model.load_state_dict(checkpoint['model'])

optimizer.load_state_dict(checkpoint['optimizer'])

```

这样就能避免加载后的模型出现差异啦！💡

希望这个小技巧能帮到大家！🚀