在CentOS上使用PyTorch进行模型的保存与加载是一个常见的操作。以下是详细的步骤和示例代码，帮助你完成这一任务。

安装PyTorch

首先，确保你已经安装了PyTorch。你可以使用以下命令来安装：

pip install torch torchvision

保存模型

在PyTorch中，你可以使用torch.save()函数来保存模型。以下是一个简单的示例：

import torchimport torch.nn as nn# 定义一个简单的神经网络class SimpleNet(nn.Module):    def __init__(self):        super(SimpleNet, self).__init__()        self.fc = nn.Linear(784, 10)    def forward(self, x):        x = x.view(-1, 784)        x = self.fc(x)        return x# 创建模型实例model = SimpleNet()# 假设模型已经训练好# 保存模型torch.save(model, 'model.pth')

加载模型

加载模型时，你可以使用torch.load()函数。以下是一个示例：

# 加载模型model = torch.load('model.pth')# 如果模型是在不同的设备上训练的（例如GPU），需要将其移动到当前设备model.to('cpu')  # 或者 'cuda' 如果你在GPU上工作

检查模型是否加载成功

你可以通过前向传播一些数据来检查模型是否加载成功：

# 假设我们有一些输入数据input_data = https://www.yisu.com/ask/torch.randn(1, 1, 28, 28)  # 示例输入数据>
完整示例
以下是一个完整的示例，包括模型的定义、训练、保存和加载：
import torchimport torch.nn as nnimport torch.optim as optim# 定义一个简单的神经网络class SimpleNet(nn.Module):    def __init__(self):        super(SimpleNet, self).__init__()        self.fc = nn.Linear(784, 10)    def forward(self, x):        x = x.view(-1, 784)        x = self.fc(x)        return x# 创建模型实例model = SimpleNet()# 定义损失函数和优化器criterion = nn.CrossEntropyLoss()optimizer = optim.SGD(model.parameters(), lr=0.01)# 假设我们有一些训练数据inputs = torch.randn(64, 1, 28, 28)labels = torch.randint(0, 10, (64,))# 训练模型for epoch in range(5):    optimizer.zero_grad()    outputs = model(inputs)    loss = criterion(outputs, labels)    loss.backward()    optimizer.step()    print(f'Epoch { epoch+1}, Loss: { loss.item()}')# 保存模型torch.save(model, 'model.pth')# 加载模型model = torch.load('model.pth')model.to('cpu')  # 或者 'cuda' 如果你在GPU上工作# 检查模型是否加载成功output = model(inputs)print(output)
通过以上步骤，你可以在CentOS上轻松地保存和加载PyTorch模型。希望这些信息对你有所帮助！