保存与加载
保存模型使用save_checkpoint接口，传入网络和指定的保存路径
要加载模型权重，需要先创建相同模型的实例，然后使用load_checkpoint和load_param_into_net方法加载参数。
使用静态图加速
AI编译框架分为两种运行模式，分别是动态图模式以及静态图模式。MindSpore默认情况下是以动态图模式运行，但也支持手工切换为静态图模式。
动态图模式
动态图的特点是计算图的构建和计算同时发生（Define by run），其符合Python的解释执行方式，在计算图中定义一个Tensor时，其值就已经被计算且确定，因此在调试模型时较为方便，能够实时得到中间结果的值，但由于所有节点都需要被保存，导致难以对整个计算图进行优化。
在MindSpore中，动态图模式又被称为PyNative模式。
import mindspore as ms
ms.set_context(mode=ms.PYNATIVE_MODE) # 使用set_context进行动态图模式的配置
错误：
清理内存：
结果：
静态图模式
相较于动态图而言，静态图的特点是将计算图的构建和实际计算分开（Define and run）。
使用Graph模式设置
注意：静态图模式先编译后执行的模式导致其存在编译耗时。因此，如果函数无需反复执行，那么使用静态图加速也可能没有价值。
基于装饰器的开启方式
MindSpore提供了jit装饰器，可以通过修饰Python函数或者Python类的成员函数使其被编译成计算图，通过图优化等技术提高运行速度。此时我们可以简单的对想要进行性能优化的模块进行图编译加速，而模型其他部分，仍旧使用解释执行方式，不丢失动态图的灵活性。无论全局context是设置成静态图模式还是动态图模式，被jit修饰的部分始终会以静态图模式进行运行。
@ms.jit # 使用ms.jit装饰器，使被装饰的函数以静态图模式运行
def run(x):model = Network()return model(x)
函数变换方式调用jit方法
def run(x):model = Network()return model(x)run_with_jit = ms.jit(run) # 通过调用jit将函数转换为以静态图方式执行
基于context的开启方式
