使用torchvision.models.resnet50训练一个输出为20分类的模型，并用torch.save(model.state_dict(),存储，且能够被torch.load二次使用

下面是一个使用`torchvision.models.resnet50`训练一个输出为20分类的模型，并且将模型状态字典保存到磁盘上以供以后使用的示例代码：

import torch
import torch.nn as nn
import torchvision.models as models

# 定义ResNet50模型
model = models.resnet50(pretrained=True)

# 修改最后一层全连接层
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, 20)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练模型
for epoch in range(num_epochs):
    # ...省略训练代码...

# 保存模型状态字典
torch.save(model.state_dict(), 'resnet50_20class.pth')

在这个代码中，你首先使用`torchvision.models.resnet50`函数加载一个预训练的ResNet50模型，并将其赋值给`model`变量。接下来，你修改了最后一层全连接层，使其输出20个类别。然后，你定义了损失函数和优化器，并在训练循环中训练了模型。最后，你使用`torch.save()`方法将模型的状态字典保存到磁盘上。

要加载已经保存的模型状态字典，你可以使用以下代码：

# 初始化ResNet50模型
model = models.resnet50(pretrained=False)
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, 20)

# 加载模型状态字典
model.load_state_dict(torch.load('resnet50_20class.pth'))

# 将模型设置为评估模式
model.eval()

在这个代码中，你首先初始化了一个新的ResNet50模型，并将最后一层全连接层修改为20个类别。然后，你使用`torch.load()`方法加载之前保存的模型状态字典，并将其加载到新的模型中。最后，你将模型设置为评估模式。