模型以及参数是否能够合理地保存下来，是能否进行产品迭代的保证。

参考资料

保存模型参数

PyTorch 中保存模型的方式有许多种：

# 保存整个网络，载入后可以直接用
torch.save(model, PATH)
# 保存网络中的参数, 速度快，占空间少
torch.save(model.state_dict(),PATH)
# 选择保存网络中的一部分参数或者额外保存其余的参数
torch.save({'state_dict': model.state_dict(), 'fc_dict':model.fc.state_dict(),
            'optimizer': optimizer.state_dict(),'alpha': loss.alpha, 'gamma': loss.gamma},
            PATH)

读取模型参数

同样的，PyTorch 中读取模型参数的方式也有许多种：

# 读取整个网络
model = torch.load(PATH)

# 读取 Checkpoint 中的网络参数
model.load_state_dict(torch.load(PATH))
    # 值得注意的是，这样加载的是保存的参数信息
    # 也就是 PATH 这个文件对应的是 model.state_dict()
    # 值得原理后，处理起来就很灵活，比如
    # 即便保存的是全部网络信息，我们只需要调用 model.state_dict() 就好了
    # 希望你能看懂我所讲的意思

# 若 Checkpoint 中的网络参数与当前网络参数有部分不同,有以下两种方式进行加载:
# 1. 利用字典的 update 方法进行加载
Checkpoint = torch.load(Path)
model_dict = model.state_dict()
model_dict.update(Checkpoint)
model.load_state_dict(model_dict)
# 2. 利用 load_state_dict() 的 strict 参数进行部分加载
model.load_state_dict(torch.load(PATH), strict=False)

如何利用前面的参数呢？我以官方的一段代码进行阐述，当然，利用参数有两种情况

自己创建的 model
别人创建的 model

自己的 model

以下代码参照

TRAINING A CLASSIFIER

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 经过一系列的计算，保存参数

PATH = './cifar_net.pth'
torch.save(net.state_dict(), PATH)

# 使用 参数
net = Net()
net.load_state_dict(torch.load(PATH))

outputs = net(images)

	#dataiter = iter(testloader)
	#images, labels = dataiter.next()

# 输出结果
_, predicted = torch.max(outputs, 1)
print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]
                              for j in range(4)))