last_model_wts = model.state_dict()

`model.state_dict()` 是 PyTorch 中的一个功能，它返回模型当前的状态（即参数）作为一个字典[^1]。这个操作通常用于保存模型以便于后续恢复训练或在其他环境中使用。当你调用 `last_model_wts = model.state_dict()` 时，你实际上是获取了模型在某个时间点（通常是训练结束时）的所有参数值，这些参数值包括神经网络的所有权重和偏置。

需要注意的是，`model.load_state_dict(state)` 方法会将 `state`（如 `last_model_wts`）作为新的参数值来更新模型，如果 `state` 和当前模型结构匹配，则这相当于重新设置模型到那个特定状态。这里的 `load_state_dict` 实际上执行了一个浅复制，这意味着它不会创建模型的新实例，而是直接替换模型原有的参数。

# 保存模型
torch.save(model.state_dict(), 'last_model.pth')

# 加载模型
model.load_state_dict(torch.load('last_model.pth'))

在这个过程中，`last_model_wts` 可以看作是模型参数的一个快照，便于管理和复现实验结果。

相关问题

best_model_wts = model.state_dict()

这段代码是将当前模型的权重保存在 best_model_wts 变量中。在 PyTorch 中，模型的权重通常保存在一个名为 state_dict() 的字典对象中，其中包含了模型的各个层的权重和偏置等参数。这些参数可以用来恢复模型的状态，或将模型的参数从一个设备转移到另一个设备。

在这里，model.state_dict() 返回的是一个包含了当前模型的所有权重的字典对象，这个字典对象可以被 torch.save() 函数直接保存成一个文件，也可以被用来恢复模型的状态。在保存最佳模型时，我们将 best_model_wts 变量保存成一个文件，以便后续可以加载和使用。

best_model_wts = copy.deepcopy(model.state_dict())

这行代码的作用是将当前模型的权重复制一份并保存在 `best_model_wts` 中，以便后续使用。使用 `copy.deepcopy` 是因为模型权重通常是一个复杂的嵌套结构，直接进行浅拷贝可能会导致数据共享，从而影响模型的训练效果。因此，使用深拷贝可以保证复制的数据与原数据完全独立。在训练过程中，可以根据模型在验证集上的表现，判断是否需要更新 `best_model_wts`，以得到最佳的模型权重。