要加载自己训练或微调后的模型，可以使用 Hugging Face 的 transformers 库和 PyTorch 的工具。这里是一个常见的流程，说明如何保存和加载自己的模型：

使用 transformers 和 PyTorch

1. 保存模型

在微调或训练模型后，您通常会保存模型的权重和配置信息。以下是保存 Transformer 模型的常用方法：

from transformers import AutoModelForSequenceClassification  
# 假设你已经有一个训练好的模型  
model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")  
# 保存模型和配置  
model.save_pretrained("./my_model")  

2. 加载模型

要加载保存的模型，可以使用 from_pretrained 方法，指定模型文件所在的目录：

from transformers import AutoModelForSequenceClassification  
# 加载你的自定义模型  
model = AutoModelForSequenceClassification.from_pretrained("./my_model")  

3. 加载 Tokenizer

通常，除了模型之外，还要保存和加载分词器（tokenizer），因为模型的输入格式化依赖于分词器。使用 transformers，您可以这样做：

from transformers import AutoTokenizer  
# 假设你已经有一个训练好的分词器  
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")  
# 保存分词器  
tokenizer.save_pretrained("./my_model")  
# 加载分词器  
tokenizer = AutoTokenizer.from_pretrained("./my_model")  

使用 PyTorch 直接保存

如果您不使用 transformers 库，直接使用 PyTorch 来保存与加载自定义模型，以下为示例：

保存模型：

import torch  
# 假设你有一个自定义的 PyTorch 模型  
torch.save(model.state_dict(), "my_model_weights.pth")  

加载模型：

import torch  
from your_model_file import YourModelClass  # 替换为你实际的模型类  
model = YourModelClass()  
model.load_state_dict(torch.load("my_model_weights.pth"))  
model.eval()  # 切换到评估模式  

总结

无论您使用的是 Hugging Face 的 transformers 还是纯 PyTorch 的模型，这些步骤将帮助您保存和加载模型。确保保存的不仅是模型权重，还包括模型配置和分词器等，以确保模型可以在新的环境中无缝加载并使用。