PyTorch文档中‘定义模型类’的含义及加载时类的疑问

1. 文档中“model class”的具体指代 #

这里的model class指的是你基于PyTorch的torch.nn.Module基类继承实现的自定义神经网络类，也就是示例代码里的TheModelClass。这类类需要包含你的神经网络结构定义（比如卷积层、全连接层等组件）以及前向传播的逻辑，是模型的“结构蓝图”。

2. 为什么加载模型时必须定义该类 #

PyTorch保存模型时，默认只保存模型的可学习参数（权重、偏置等数值，对应state_dict），并不会把模型的类结构代码一起存储。因此加载参数前，必须先有和原模型完全一致的类定义，才能创建出结构匹配的模型实例，再将保存的参数加载到实例中。

3. 翻译后的加载示例代码 #

加载流程：

# 创建模型实例，前提是TheModelClass的定义已存在
model = TheModelClass(*args, **kwargs)
# 加载保存的模型参数
model.load_state_dict(torch.load(PATH))
# 将模型切换为评估模式
model.eval()

4. 模型类定义示例 #

举个简单的自定义模型类例子，加载时这类定义必须在当前环境中可访问（同文件定义或通过import导入）：

import torch.nn as nn
import torch.nn.functional as F

class TheModelClass(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = torch.flatten(x, 1)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

内容的提问来源于stack exchange，提问作者Quantizer