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())

这段代码使用Python的`copy`模块中的`deepcopy()`函数，将当前模型的所有参数的状态字典深度复制到一个名为`best_model_wts`的新变量中。`state_dict()`方法返回一个字典，其中包含模型中所有参数的当前状态。深度复制是指不仅复制了`best_model_wts`字典中的所有键和值，还会递归地复制所有值所引用的对象。这意味着，`best_model_wts`中的值与模型中的参数状态是完全独立的，即它们不会共享内存。这样做的目的是为了保存模型训练过程中的最佳参数状态，以便在测试时使用。如果不使用`deepcopy()`函数，而是直接将当前模型的参数状态字典赋值给`best_model_wts`，则`best_model_wts`中的值将与模型中的参数状态共享内存，这意味着在训练过程中更改任何一个参数的值都会影响`best_model_wts`中的对应值，从而可能导致测试结果不准确。