函数格式为： torch.load(f, map_location=None, pickle_module=pickle, **pickle_load_args)，一般我们使用的时候，基本只使用前两个参数。
- 模型保存有两种形式，一种是保存模型的
state_dict()，只是保存模型的参数。那么加载时需要先创建一个模型的实例model，之后通过torch.load()将保存的模型参数加载进来，得到dict，再通过model.load_state_dict(dict)将模型的参数更新。 - 另一种是将整个模型保存下来，之后加载的时候只需要通过
torch.load()将模型加载，即可返回一个加载好的模型。
具体可参考：PyTorch模型的保存与加载。
具体来说， map_location参数是用于重定向，比如此前模型的参数是在 cpu中的，我们希望将其加载到 cuda:0中。或者我们有多张卡，那么我们就可以将卡1中训练好的模型加载到卡2中，这在数据并行的分布式深度学习中可能会用到。
-
首先定义一个AlexNet，并使用
cuda:0将其训练了一个猫狗分类，之后把模型存储起来。 -
我们先把
state_dict加载进来。
model_path = "./cuda_model.pth"
model = torch.load(model_path)
print(next(model.parameters()).device)
结果为：