在 PyTorch 中，你可以通過以下步驟保存和加載模型，然后繼續訓練：

1. 保存模型

   通常有兩種方式來保存模型：

   • 保存整個模型（包括網絡結構、權重等）：

     torch.save(model, 'model.pth')

   • 只保存模型的state_dict（只包含權重參數），推薦使用這種方式，因為這樣可以節省存儲空間，并且在加載時更靈活：

     torch.save(model.state_dict(), 'model_weights.pth')

2. 加載模型

   對應地，也有兩種方式來加載模型：

   • 如果你之前保存了整個模型，可以直接通過下面的方式加載：

     model = torch.load('model.pth')

   • 如果你之前只保存了state_dict，需要先實例化一個與原模型結構相同的模型，然后通過load_state_dict()方法加載權重：

     # 實例化一個與原模型結構相同的模型
     model = YourModelClass()# 加載保存的state_dict
     model.load_state_dict(torch.load('model_weights.pth'))# 確保將模型轉移到正確的設備上（例如GPU或CPU）
     device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
     model.to(device)

3. 繼續訓練

   加載完模型后，就可以繼續訓練了。確保你已經定義了損失函數和優化器，并且它們的狀態也要正確加載（如果你之前保存了它們的話）。然后，按照正常的訓練流程進行即可

   # 定義損失函數和優化器
   criterion = nn.CrossEntropyLoss()
   optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)# 如果之前保存了優化器狀態，也可以加載
   optimizer.load_state_dict(torch.load('optimizer.pth'))# 開始訓練
   for epoch in range(num_epochs):for inputs, labels in dataloader:inputs, labels = inputs.to(device), labels.to(device)optimizer.zero_grad()outputs = model(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()

這樣，你就可以從上次保存的地方繼續訓練模型了。