Pytorch 用CPU加载pickle保存的GPU张量？

我使用GPU上的pickle保存了最后一个隐藏的Bert层，以备后续处理

# output is the last hidden layer of bert, transformed on GPU
with open(filename, 'wb') as f:
    pk.dump(output, f)

可以在没有GPU的情况下将其加载到我的个人笔记本电脑上吗？我尝试了以下代码，但都失败了

# 1st try
with open(filename, 'rb') as f:
    torch.load(f, map_location='cpu')

# 2nd
torch.load(filename, map_location=torch.device('cpu'))

所有人都会得到以下错误

RuntimeError: Attempting to deserialize object on a CUDA device but torch.cuda.is_available() is False. If you are running on a CPU-only machine, please use torch.load with map_location=torch.device('cpu') to map your storages to the CPU.

---

可以将文件加载到我的笔记本电脑上吗？

如果您使用Pytork，您可以通过保存模型的

状态而不是模型本身来避免一些麻烦。
state\u dict
是一个有序字典，用于存储神经网络的权重

保存例程：

import torch
model = MyFabulousPytorchModel()
torch.save(model.state_dict(), "best_model.pt")

加载它需要您首先初始化模型：

import torch
device = 'cuda' if torch.cuda.is_available() else 'gpu' 
model = MyFabulousPytorchModel()
model.load_state_dict(torch.load(PATH_TO_MODEL))
model.device(device)

保存
状态_dict
而不是直接保存对象有许多优点。其中之一与您的问题有关：将您的模型移植到不同的环境并不像您希望的那样轻松。另一个优点是，保存检查点要容易得多，这些检查点允许您恢复训练，就好像训练从未停止过一样。您只需保存优化器的状态和损失：

保存检查点：

# somewhere in your training loop:
opt.zero_grad()
pred = model(x)
loss = loss_func(pred, target)

torch.save({"model": model.state_dict(), "opt": opt.state_dict(), "loss":loss}, "checkpoing.pt")

我强烈建议查看文档，以了解有关如何使用pytorch保存和加载模型的更多信息。如果你了解它的内部运作，这是一个相当顺利的过程

希望这有帮助（）

编辑：

更直接地说，为了解决您的问题，我推荐以下内容

1-在用于训练模型的计算机上：

import torch
model = torch.load("PATH_TO_MODEL")
torch.save(model.state_dict(), "PATH.pt")

2-在另一台计算机上：

import torch
from FILE_WHERE_THE_MODEL_CLASS_IS_DEFINED import Model

model = Model() # initialize one instance of the model)
model.load_state_dict(torch.load("PATH.pt")

我腌制了一个cuda张量，我想把它加载到CPU上。使用OP给出的相同的两种方法是行不通的。如果不是
状态_dict（）
，可以做什么？我使用pickle.dump（f'some_cuda_tensor.pkl'）保存了文件。