PyTorch里.pt和.pth的区别

在PyTorch中，.pt和.pth文件均用于保存模型，但两者在设计初衷、存储内容和使用场景上存在差异。以下是详细对比：

---

1. 核心区别

特性	.pt文件	.pth文件
存储内容	完整模型（结构+参数+优化器状态等）	仅模型参数（state_dict）
文件大小	较大（包含额外元数据）	较小（仅参数）
加载方式	直接加载，无需定义模型结构	需先实例化模型，再加载参数
适用场景	部署、跨环境迁移	训练中断恢复、参数共享

---

2. 技术细节

• .pt文件

  • 生成代码：torch.save(model, "model.pt")
  • 优势：包含完整的模型信息，适合直接用于推理或迁移到无代码环境。
  • 风险：若模型类定义变更，加载可能失败（需确保代码兼容性）。

• .pth文件

  • 生成代码：torch.save(model.state_dict(), "model.pth")
  • 优势：灵活性高，可加载到不同结构的模型中（如迁移学习）。
  • 限制：需手动重建模型结构，否则无法直接使用。

---

3. 版本与社区习惯

• 历史演变：
  • .pth曾是早期PyTorch的默认格式，后逐渐被.pt取代（尤其PyTorch 1.6+）。
  • .pt现为官方推荐格式，支持更完整的序列化（如TorchScript）。
• 命名惯例：
  • .pt多用于完整模型或TorchScript导出。
  • .pth仍广泛用于参数保存（如Hugging Face库）。

---

4. 安全性与性能

• 安全性：
  • 两者均基于pickle序列化，存在代码注入风险，需确保文件来源可信。
  • .safetensors（Hugging Face推出）是更安全的替代方案。
• 加载效率：
  • .pth因体积小，加载更快。
  • .pt支持内存映射（如TorchScript优化后），适合大模型。

---

5. 如何选择？

• 选.pt：
  • 需一键部署模型（如API服务）。
  • 需保留训练状态（如优化器、epoch计数）。
• 选.pth：
  • 仅需参数（如迁移学习或模型压缩）。
  • 需跨项目共享权重（避免结构依赖）。

---

总结

• 本质差异：.pt是“完整存档”，.pth是“参数快照”。
• 实践建议：优先使用.pt确保兼容性，仅在参数共享时用.pth。