pytorch训练深度学习模型如何暂时停止，下次接着训练

在PyTorch中，你可以使用`torch.save`函数保存模型的状态字典和优化器状态，然后使用`torch.load`函数恢复它们。这样，你可以在下一次训练时加载模型并从之前暂停的位置继续训练。

以下是一个示例代码：

import torch

# 创建模型和优化器
model = MyModel()
optimizer = torch.optim.Adam(model.parameters())

# 训练循环
for epoch in range(num_epochs):
    for batch_idx, (data, target) in enumerate(train_loader):
        # 正向传递
        output = model(data)
        loss = loss_fn(output, target)

        # 反向传递和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        # 每N个batch打印一次loss
        if batch_idx % print_every == 0:
            print(f"Epoch {epoch}, Batch {batch_idx}: Loss = {loss.item()}")

        # 每M个epoch保存一次模型
        if epoch % save_every == 0 and batch_idx == 0:
            checkpoint = {
                "model_state_dict": model.state_dict(),
                "optimizer_state_dict": optimizer.state_dict(),
                "epoch": epoch
            }
            torch.save(checkpoint, "checkpoint.pth")

在上述代码中，我们使用`torch.save`函数将模型的状态字典、优化器状态和当前epoch的值保存到一个.pth文件中。每M个epoch，我们就保存一个checkpoint。如果想要在下一次训练时从之前的位置继续训练，只需要使用`torch.load`函数加载checkpoint，并将其模型状态字典和优化器状态分别加载到模型和优化器中即可。