torch.save
pytorch保存模型等相关参数，利用torch.save()，以及读取保存之后的文件
我对 torch.save 的理解是，这个函数可以将一个对象序列化后储存在一个文件中，然后再用torch.load加载回来。
所以你可以存这个训练好的模型model
如
torch.save(model, path)
然后加载回来后直接可以用
model = torch.load(path)
output = model(image)
好处是不需要知道之前的模型代码，直接加载调用即可，方便使用。但多存储了模型的结构数据，存起来肯能会慢一丢丢，到底会不会有太大影响，我也没测试过。
但从网上查到的都是说在训练的时候仅仅保存模型的state_dict即可，这样快，说是快，我也没对比过，之后有空了也许会测一下（挖坑）
我们也可以只存储模型的state_dict，就是模型的权重
torch.save(model.state_dict(), path)
载入权重时，要先用之前的模型初始化一个对象，然后使用load_state_dict函数来加载我们存储的权重
model = Model()
model.load_state_dict(torch.load(path))
使用样例 1
假设网络为model = Net(), optimizer = optim.Adam(model.parameters(), lr=args.lr), 假设在某个epoch，我们要保存模型参数，优化器参数以及epoch
1. 先建立一个字典，保存三个参数：
state = {‘net':model.state_dict(), 'optimizer':optimizer.state_dict(), 'epoch':epoch}
2.调用torch.save():
torch.save(state, dir)
其中dir表示保存文件的绝对路径+保存文件名，如'/home/qinying/Desktop/modelpara.pth'
当你想恢复某一阶段的训练（或者进行测试）时，那么就可以读取之前保存的网络模型参数等。
checkpoint = torch.load(dir)
model.load_state_dict(checkpoint['net'])
optimizer.load_state_dict(checkpoint['optimizer'])
start_epoch = checkpoint['epoch'] + 1