在pytorch中存储神经网络变量，并且使用这个变量

在PyTorch中，可以使用`state_dict()`方法将神经网络的参数存储为字典。这个字典可以保存到磁盘上，之后可以使用`load_state_dict()`方法将参数加载回来。

以下是一个示例代码，展示了如何使用`state_dict()`方法保存模型参数，以及如何使用`load_state_dict()`方法加载模型参数：

import torch
import torch.nn as nn

# 定义一个神经网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 1)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 创建一个实例
net = Net()

# 将模型参数保存到字典中
torch.save(net.state_dict(), 'net_params.pth')

# 加载模型参数
new_net = Net()
new_net.load_state_dict(torch.load('net_params.pth'))

# 使用加载的模型参数进行推理
input = torch.randn(1, 10)
output = new_net(input)
print(output)

在这个示例中，我们首先定义了一个简单的神经网络，包含两个全连接层。然后，我们创建了一个实例 `net` 并将其保存到了磁盘上。接下来，我们创建了一个新的实例 `new_net`，并使用`load_state_dict()`方法将之前保存的参数加载进来。最后，我们使用新的模型进行推理，并打印输出结果。

需要注意的是，使用`load_state_dict()`方法加载模型参数时，新的模型的结构必须与之前保存的模型的结构相同。如果两个模型结构不同，那么加载模型参数时可能会出现错误。