当前位置：首页 > news >正文

常见的神经网络权重文件格式及其详细说明

news 来源：原创 2025/4/28 9:12:51

常见的神经网络权重文件格式及其详细说明的表格：

扩展名	所属框架/工具	如何生成	表示内容	使用方法	注意事项
`.pt`, `.pth`	PyTorch	`torch.save(model.state_dict(), "model.pt")`	PyTorch模型的状态字典（权重和参数）或整个模型	加载方式：`model.load_state_dict(torch.load("model.pt"))`	如果保存整个模型（含结构和权重），可能导致跨设备加载问题。`pth`通常用于旧版本。
`.h5`, `.hdf5`	Keras/TensorFlow	`model.save("model.h5")`	完整的Keras模型（含结构、权重和优化器状态）	加载方式：`keras.models.load_model("model.h5")`	HDF5格式依赖`h5py`库；部分自定义层可能需要手动定义。
`.pkl`, `.pickle`	Python通用（如scikit-learn）	`pickle.dump(model, open("model.pkl", "wb"))`	序列化的Python对象（如模型参数或全量模型）	加载方式：`model = pickle.load(open("model.pkl", "rb"))`	存在安全风险（反序列化恶意代码）；建议仅在可信来源使用。
`.ckpt`	TensorFlow	使用`tf.train.Checkpoint`或`ModelCheckpoint`回调	TensorFlow检查点文件（模型参数、优化器状态等）	恢复训练：`model.load_weights("model.ckpt")`	检查点文件包含多个文件（如`.index`、`.data-xxx`等），需一起保留。
`.pb`	TensorFlow（SavedModel）	`tf.saved_model.save(model, "model_dir")`	TensorFlow的计算图结构和权重（Protocol Buffers格式）	加载方式：`tf.keras.models.load_model("model_dir")` 或 `tf.saved_model.load("model_dir")`	跨语言兼容性好，支持C++/Java等语言调用。
`.onnx`	ONNX（跨框架标准）	`torch.onnx.export(model, input, "model.onnx")`	跨框架的标准化模型（含结构和权重）	加载工具：ONNX Runtime（`ort.InferenceSession("model.onnx")`）或其他框架的转换工具	需验证框架支持的操作；可能需调整算子兼容性。
`.weights`	Darknet/YOLO	Darknet训练时自动生成（如YOLOv3的`yolov3.weights`）	Darknet模型的权重参数，需配合配置文件（`.cfg`）使用	加载方式：`darknet.load_net("yolov3.cfg", "yolov3.weights")`	无模型结构信息，必须与对应的`.cfg`文件匹配使用。
`.bin`, `.safetensors`	Hugging Face Transformers库	`model.save_pretrained("dir")`会生成`pytorch_model.bin`	模型权重文件，通常与配置文件（`config.json`）配合使用	加载方式：`model.from_pretrained("dir")`	`.safetensors`是更安全的格式（替代`.bin`），避免恶意代码注入。
`.tflite`	TensorFlow Lite	转换工具：`tf.lite.TFLiteConverter.from_saved_model("model_dir").convert()`	轻量化模型，适用于移动端/嵌入式设备	移动端推理：使用TensorFlow Lite的Interpreter API加载。	模型可能经过量化（精度降低但体积减小）。
`.params`	MXNet	`net.save_parameters("model.params")`	MXNet模型的权重参数	加载方式：`net.load_parameters("model.params")`	需预先定义网络结构再加载参数。
`.joblib`	scikit-learn	`joblib.dump(model, "model.joblib")`	序列化后的scikit-learn模型（适用于大文件）	加载方式：`model = joblib.load("model.joblib")`	比`pickle`更高效，但主要服务于传统机器学习模型，少用于神经网络。