动手学深度学习（pytorch）学习记录21-读写文件(模型与参数)[学习记录]

保存模型的好处众多，涵盖了从开发到部署的整个机器学习生命周期。

• 节省资源：训练模型可能需要大量的时间和计算资源。保存模型可以避免重复训练，从而节省时间和计算资源。
• 快速部署：一旦模型被训练并保存，它可以迅速部署到生产环境中，加速产品上市时间。
• 版本控制：保存不同版本的模型有助于跟踪模型的迭代过程，便于比较和回滚到之前的版本。
• 离线使用：保存的模型可以在没有网络连接的情况下使用，这对于需要在本地设备上运行模型的应用程序非常有用。
• 模型共享：研究人员和开发者可以共享他们的模型，促进合作和知识传播。
• 模型评估：保存的模型可以在不同的数据集上进行评估，帮助验证模型的泛化能力和性能。
• 实验复现：保存模型的状态使得其他研究者可以复现实验结果，增加研究的可验证性。
• 业务连续性：在系统升级或迁移过程中，保存的模型可以确保业务的连续性，减少停机时间。
• 法律合规：在某些行业，如医疗和金融，保存模型可能是必须的，以满足法律和合规要求。
• 模型优化：保存的模型可以用于进一步的优化，如模型压缩、加速等，以适应不同的部署环境。
• 模型监控：在模型部署后，保存的模型可以用于监控和比较，以检测模型性能随时间的变化。
• 用户信任：提供透明的模型保存信息可以增加用户对模型决策的信任。
• 教育和研究：保存的模型可以作为教育材料，帮助学生和研究人员学习模型的工作原理。
• 灾难恢复：在发生系统故障时，保存的模型可以作为备份，快速恢复服务。
• 长期维护：随着时间的推移，保存的模型可以用于维护和更新，以适应新的数据和需求。

加载和保存张量

# 保存张量
import torch
from torch import nn
from torch.nn import functional as F

x = torch.arange(4)
torch.save(x, 'x-file')

将存储在文件中的数据读回内存。

x2 = torch.load('x-file')
x2

tensor([0, 1, 2, 3])

存储一个张量列表