一、state_dict方式（推荐）

torch.save(model.state_dict(), PATH)model = YourModel()
model.load_state_dict(torch.load(PATH))
model.eval()

记住一定要使用model.eval()来固定dropout和归一化层，否则每次推理会生成不同的结果。

二、整个模型（结构+state_dict）方式

torch.save(model, PATH)model = torch.load(PATH)
model.eval()

这种保存/加载模型的过程使用了最直观的语法，所用代码量少。这使用Python的pickle保存所有模块。这种方法的缺点是，保存模型的时候，序列化的数据被绑定到了特定的类和确切的目录。这是因为pickle不保存模型类本身，而是保存这个类的路径，并且在加载的时候会使用。因此，当在其他项目里使用或者重构的时候，加载模型的时候会出错。
记住一定要使用model.eval()来固定dropout和归一化层，否则每次推理会生成不同的结果。

三、cptk方式

当我们在训练的时候，因为一些原因导致训练终止了，这个时候如果我们不想再浪费时间从头开始训练，就可以使用cptk的方式。这种方式不仅可以保存模型的state_dict，还可以保存训练中断时的训练的epoch，loss，优化器的state_dict等信息。

torch.save({'epoch': epoch,'model_state_dict': model.state_dict(),'optimizer_state_dict': optimizer.state_dict(),'loss': loss,...}, PATH)model = yourModel()
optimizer = yourOptimizer()checkpoint = torch.load(PATH)
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
epoch = checkpoint['epoch']
loss = checkpoint['loss']model.eval()
# - 或者 -
model.train()

示例