torch.save(model.state_dict(), PATH)# 在gpu上训练后保存 # 在cpu的模型上加载使用 model.load_state_dict(torch.load(PATH, map_location='cpu'))在cpu上训练完成，在gpu上加载
torch.save(model.state_dict(), PATH)# 在gpu上训练后保存 # 在cpu的模型上加载使用 model.load_state_dict(torch.load(PATH, map_location='cuda:0'))在使用中需要注意的加载内容
当数据放入GPU，需要训练的模型也要放入GPU
'''
data_loader:pytorch中加载数据
'''
for i, sample in enumerate(data_loader): # 对数据进行按批次遍历
image, target = sample # 每一批次加载返回值
if CUDA:
image = image.cuda() # 输入输出传入gpu
target = target.cuda()
# print(target.size)
optimizer.zero_grad() # 优化函数
output = mymodel(image)
mymodel.to(torch.device("cuda"))
多个gpu训练时的加载
参考：https://blog.csdn.net/weixin_43794311/article/details/120940090
import torch.nn as nn mymodel = nn.DataParallel(mymodel)
pytorch中的nn模块使用nn.DataParallel将模型加载到多个GPU，需要注意，这种加载方式保存的权重参数会比不使用nn.DataParallel加载模型保存的权重参数的关键字前多一个"module."。是否使用nn.DataParallel加载模型，会导致下次再加载模型的时候可能会出现下图的问题，
当权重参数前面多一个“module."时，最简单的方式就是使用nn.DataParallel对模型加载，
