当模型训练完成或者训练到一半，我们需要将模型保存。这里介绍如何保存模型的参数以及其他信息。当需要使用的使用如何加载。
一、模型的保存与加载
利用PyTorch可以进行模型的保存和加载，主要有以下两种方式。
方法1: 保存于加载整个模型
model = MyModel()
Path = "my_params,pkl"
# 保存模型
torch.save(model,Path)
# 加载模型
model = torch.load(Path)
方法2：保存模型的参数
# 保存模型参数
torch.save(model.state_dict(), Path)
# 加载模型参数，并且载入模型中
params = torch.load(Path)
model = model.load_state_dict(params)
一般推荐第二种方法，和第一种方法相比，第二种方式只保存模型的参数，节省空间，而且灵活性更高。当然，第一种方法的优点在于，你可以通过加载直接使用，不需要先初始化模型。你可以直接把这个文件发送给其他人，其他人可以直接使用。
二、 同时保存其他参数
在训练过程中，我们不仅仅需要保存模型的参数，有时候也可能保存其他参数，比如说优化器、损失函数的参数，训练过程中accuracy、epoch、learnrating等常数信息也可以使用torch.save()保存。
# optim是优化函数，loss是损失函数
torch.save({
'epoch': epoch,
'model_state_dict': model.state_dict(),
'optim_state_dict': optim.state_dict(),
'loss_state_dict': loss.state_dict(),
'best_prec1': best_prec1,
}, 'checkpoint.tar' )
# 加载, params就是一个字典，像使用字典一样获取参数
params = torch.load(Path)
epoch = params["epoch"]
optim.load_state_dict(params["optim_state_dict"])
model.load_state_dict(params["optim_state_dict"])
其实model.state_dict() 的值也是字典，键是每一层神经网络的名字，所以可以根据每一层的名字，取用参数，这样就会十分的灵活。当我们
