paddle2 mnist 保存模型

使用PaddlePaddle框架训练好的模型可以通过save_inference_model()方法保存下来，以便后续的推理使用。下面是使用PaddlePaddle框架进行MNIST手写数字识别的模型保存示例：

import paddle
import paddle.static as static

# 创建训练网络
def train_network():
    # 网络的定义和训练过程省略...
    # ...

    return paddle.static.default_main_program(), paddle.static.default_startup_program()

# 训练模型
main_program, startup_program = train_network()

# 设置保存路径和文件名
model_save_dir = './saved_model/mnist'
model_filename = 'model'

place = paddle.CPUPlace()
exe = paddle.static.Executor(place)
exe.run(startup_program)

# 保存模型
static.save_inference_model(model_save_dir, model_filename, [input_var], [output_var], exe)

print("模型已保存在{}目录下".format(model_save_dir))

以上代码首先定义了一个网络的训练函数`train_network()`，该函数在训练过程中会定义训练网络和初始化参数等操作。然后，在训练完模型后，使用`save_inference_model()`方法保存所需的输入和输出变量，即`[input_var]`和`[output_var]`，并指定保存路径和文件名。最后，通过`paddle.static.Executor()`创建一个执行器，并使用该执行器的`run()`方法运行模型的初始化参数。保存后的模型可以在指定的目录下找到。

这样，我们就成功将训练好的模型保存了下来，可以在未来的推理任务中加载模型进行预测等操作。