1. 加载和保存张量
我们可以使用torch提供的函数torch.save以及torch.load对张量进行保存和加载。
torch.save的第一个参数是要保存的张量，第二个参数是要保存成为的文件名。注意，上面的代码中我们先创建张量x = [1,2,3,4]，将其保存为文件x-file，此时x-file已存在。而我们再将新的x = [3,4,5,6]保存为x-file，便将x-file的内容覆盖了，再读取x-file并打印它，可以看到它的值是[3,4,5,6]了。
torch.save还可以保存张量构成的列表：
torch.save同样可以保存“以字符串为键，以张量为值”的字典。
2. 加载和保存模型参数
pytorch提供了保存整个模型参数的函数，而并不能保存模型结构（如，3层的多层感知机还是4层？）。网络模型的state_dict()函数返回模型各层的名字和参数构成的字典，我们可以用torch.save来保存网络的state_dict()。为了从保存的参数文件中恢复模型，我们需要创建原网络的一个备份。看一个例子，首先我们定义一个多层感知机：
class MLP(nn.Module): def __init__(self): super().__init__() self.hidden = nn.Linear(20, 256) self.output = nn.Linear(256, 10) def forward(self, x): return self.output(F.relu(self.hidden(x))) net = MLP() X = torch.randn(size=(2, 20))
我们将net的参数保存到一个名字为mlp.params的文件中，使用torch.save(net.state_dict(),'mlp.params')：
torch.save(net.state_dict(),'mlp.params')
加载这个模型需要创建与原net相同结构的一个网络，并将参数加载到这个网络中，我们创建一个Clone，并使用Clone.load_state_dict()加载参数：
Clone = MLP() Clone.load_state_dict(torch.load('mlp.params'))
此时，net的结构和参数与Clone的结构和参数应该是完全相同的了。那么，它们对任意输入X的输出也应该是相同的，我们验证一下：
Y = net(X) Y2 = Clone(X) print(Y==Y2)
输出为：
总结：
保存模型：用torch.save(net.state_dict,'filename')来保存参数
加载模型：首先创建与要加载的模型相同结构的网络Clone，然后用Clone.load_state_dict()加载“用torch.load('filename')加载到的”参数。