之前我们已经学习了如何创建神经网络，如何加载数据集，如何训练模型。
我们要知道，训练一个模型是要消耗很多算力资源的，模型越大消耗的人力物力财力越大，所以我们要避免重复造*，模型训练好了以后我们要学会将其保存下来。这一节我们就讲一下如何保存模型，以及在之后使用的时候如何加载我们保存的模型。
import torch
import torchvision.models as models
简单导包……
保存模型的参数
我们训练一个模型，让模型学习，其实就是让模型学习并更新其参数，所以保存模型其实就是将模型的参数保存下来。
PyTorch保存模型就是将学习好的参数使用torch.save保存到内部状态字典state_dict中。
model = models.vgg16(pretrained=True)
torch.save(model.state_dict(), 'model_weights.pth')
上面代码就是保存vgg16这个网络的参数，之后pytorch就会自动为你保存模型参数了。显示100%之后就可以看一下你目录下边有无model_weights.pth文件了。
注意，model = models.vgg16(pretrained=True)中有个pretrained=True，我们这里用的是人家训练好的vgg16模型，就是我们保存的模型就是人家已经训练的vgg16的参数。
保存模型会显示如下：
加载模型参数
要加载模型参数之前，你首先需要实例化一个同样的网络结构，然后使用load_state_dict()方法加载模型参数即可。
model = models.vgg16()
model.load_state_dict(torch.load('model_weights.pth'))
model.eval（)
可以看到这里第一句是model = models.vgg16()，括号里是没有pretrained=True的。因为这里我们不需要人家的网络了，我们是要把我们之前保存的参数加载进来，所以我们只需要声明我们是什么网络结构就可以了，之后就是使用model.load_state_dict(torch.load('model_weights.pth文件中加载进来。'))将我们自己的参数从model_weights.pth文件中加载进来。
注意，在使用模型做预测之前一定要调用model.eval（)！！！ 这样将模型中的dropout和batch normalization层设置为评估模式，否则在预测阶段会出现不一样的结果。
如果使用jupyter notebook，它会给你显示模型结构，使用其他IDE可能需要手动打印一下。
保存并加载模型结构
当我们加载模型参数的时候，我们首先要实例化模型这个类，因为这个类定义了模型网络结构。
你可能想说，在这里是直接用的人家vgg16，那如果像之前那样我们的自定义网络怎么办？不就没办法直接用model = models.vgg16()加载模型结构了？所以我们还需要保存模型结构。保存好模型之后，我们才可以像上一节一样，直接将参数传给模型。
# 保存模型结构
torch.save(model, 'model.pth')
# 加载模型结构
model = torch.load('model.pth')