在 PyTorch 中，你可以通过以下步骤保存和加载模型，然后继续训练：

1. 保存模型

   通常有两种方式来保存模型：

   • 保存整个模型（包括网络结构、权重等）：

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

   • 只保存模型的state_dict（只包含权重参数），推荐使用这种方式，因为这样可以节省存储空间，并且在加载时更灵活：

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

2. 加载模型

   对应地，也有两种方式来加载模型：

   • 如果你之前保存了整个模型，可以直接通过下面的方式加载：

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

   • 如果你之前只保存了state_dict，需要先实例化一个与原模型结构相同的模型，然后通过load_state_dict()方法加载权重：

     # 实例化一个与原模型结构相同的模型
     model = YourModelClass()
     
     # 加载保存的state_dict
     model.load_state_dict(torch.load('model_weights.pth'))
     
     # 确保将模型转移到正确的设备上（例如GPU或CPU）
     device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
     model.to(device)

3. 继续训练

   加载完模型后，就可以继续训练了。确保你已经定义了损失函数和优化器，并且它们的状态也要正确加载（如果你之前保存了它们的话）。然后，按照正常的训练流程进行即可

   # 定义损失函数和优化器
   criterion = nn.CrossEntropyLoss()
   optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
   
   # 如果之前保存了优化器状态，也可以加载
   optimizer.load_state_dict(torch.load('optimizer.pth'))
   
   # 开始训练
   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()

这样，你就可以从上次保存的地方继续训练模型了。