保存并加载模型
在本节中，我们将了解如何通过保存、加载和运行模型预测来保持模型状态。
保存和加载模型权重
保存模型
PyTorch 模型将学习到的参数存储在内部状态字典中，称为state_dict 。这些可以通过torch.save保存 方法：
python
model = models.vgg16(weights='IMAGENET1K_V1')
torch.save(model.state_dict(), 'model_weights.pth')加载模型权重
要加载模型权重，您需要首先创建同一模型的实例，然后使用load_state_dict()方法加载参数。
在下面的代码中，我们设置weights_only=True以将unpickle期间执行的函数限制为仅加载权重所需的函数。使用weights_only=True被认为是加载权重时的最佳实践。
python
model = models.vgg16() # we do not specify ``weights``, i.e. create untrained model
model.load_state_dict(torch.load('model_weights.pth', weights_only=True))
model.eval()PS： 请务必在推理之前调用model.eval()方法，将 dropout 和批量归一化层设置为评估模式。如果不这样做将会产生不一致的推理结果。
保存和加载带有形状的模型
加载模型权重时，我们需要首先实例化模型类，因为该类定义了网络的结构。我们可能希望将此类的结构与模型一起保存，在这种情况下，我们可以将model （而不是model.state_dict() ）传递给保存函数：
python
torch.save(model, 'model.pth')然后，我们可以加载模型，如下所示。
如保存和加载 torch.nn.Modules中所述，保存state_dict被认为是最佳实践。但是，下面我们使用weights_only=False ，因为这涉及加载模型，这是torch.save的遗留用例。
python
model = torch.load('model.pth', weights_only=False),