pytorchzhong 如何在训练神经网络的时候,在epoch结束后，只保存损失更低的权重参数。

在 PyTorch 中，我们可以通过使用 `torch.save()` 函数来保存模型的权重。为了只保存损失更低的权重参数，我们可以在每个 epoch 结束后比较当前 epoch 的损失和历史最佳损失，如果当前 epoch 的损失更低，则保存当前模型的权重。以下是一个示例代码：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型
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 = self.fc1(x)
        x = nn.functional.relu(x)
        x = self.fc2(x)
        return x

# 定义数据和优化器
data = torch.randn((100, 10))
target = torch.randn((100, 1))
optimizer = optim.SGD(net.parameters(), lr=0.1)

# 定义损失函数和历史最佳损失
criterion = nn.MSELoss()
best_loss = float('inf')

# 训练模型并保存最佳权重参数
for epoch in range(10):
    # 计算损失和更新权重
    optimizer.zero_grad()
    output = net(data)
    loss = criterion(output, target)
    loss.backward()
    optimizer.step()

    # 比较当前损失和历史最佳损失
    if loss < best_loss:
        torch.save(net.state_dict(), 'best_weights.pth')
        best_loss = loss

在上面的代码中，我们定义了一个简单的神经网络 `Net`，并使用随机数据和目标值进行训练。在每个 epoch 结束后，我们比较当前损失和历史最佳损失，如果当前损失更低，则保存当前模型的权重。我们使用 `net.state_dict()` 函数来获取当前模型的权重，并使用 `torch.save()` 函数将权重保存到文件中。最后，我们将当前损失更新为历史最佳损失，以便在下一个 epoch 中继续比较。