#d 两种保存方式比较
仅保存模型参数
优点:
- 更加灵活，只保存模型的参数，不保存模型的结构，可以在不同的模型结构中加载参数（只要参数匹配）。
- 文件大小通常比保存整个模型小。
- 安全性更高，因为不直接执行pickle内容。
缺点:
- 加载模型前需要先定义模型的结构，增加了代码量。
保存整个模型
优点:
- 保存简单，一行代码完成。
- 加载模型时不需要再定义模型的结构。
缺点:
- 保存的模型依赖于具体的类定义，如果模型的结构有所改变（例如类名、层的结构等），加载时可能会出现问题。
- 文件通常比仅保存状态字典的方式大。
- 可能存在安全风险，因为
torch.load会加载任何pickle内容。
总结：
仅保存模型的参数（状态字典）是更加推荐的方式，因为它更加灵活和安全。但是，如果你想要快速保存和加载整个模型，不担心模型结构变化或安全问题，保存整个模型也是一个可行的选择。
1 仅保存模型参数
#c 说明 保存加载方式
PyTorch保存模型的「学习参数」是通过state_dict的一个内部状态字典，使用torch.save来保存模型的学习参数。
#e 模型保存方式一
model = models.vgg16(weights='IMAGENET1K_V1')
'''
vgg16是一个非常流行的卷积神经网络，经过了大量的训练，可以识别1000个不同的对象。
weights='IMAGENET1K_V1'表示加载了在ImageNet数据集上预训练的权重。
'''
torch.save(model.state_dict(), 'model_weights.pth')#状态字典与保存路径
#e 模型加载方式一
加载模型权重，首先需要创建一个与「原始模型相同的模型实例」，然后使用load_state_dict方法加载参数。
注意：需要使用model.eval()方法将模型设置为评估模式，这将关闭Dropout和BatchNorm层。否则将会导致不一致的推理结果。
model = models.vgg16()#加载模型
model.load_state_dict(torch.load('model_weights.pth'))#加载模型权重
model.eval()#设置模型为评估模式
2 保存整个模型
#c 说明 保存整个模型
在加载模型权重时，需要首先实例化模型类，因为模型类定义了网络的结构。如果希望将模型类的架构与模型一起保存，那么可以传递模型本身（而不是模型的状态字典model.state_dict()）给保存函数。
#e 模型保存方式二
torch.save(model, 'model.pth')#保存模型
#e 模型加载方式二
model = torch.load('model.pth')#加载模型
