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。 |
使用场景总结：
- 训练/推理用途 ：
.pt（PyTorch）、.h5（Keras）、.ckpt（TensorFlow）常用于训练过程中的保存与恢复。 - 跨框架部署 ：
.onnx适合不同框架间的模型转换；.pb（TensorFlow）适合生产环境部署。 - 嵌入式/移动端 ：
.tflite针对移动设备优化。 - 安全性优先 ：优先选择
.safetensors替代.pkl或.bin。 - 协作与共享 ：
.weights+.cfg（YOLO）、saved_model（目录）包含完整信息，便于团队协作。