torch.save(model.state_dict(),"../models/light-model-{}.pth".format(i))并使用此save模型继续训练

对于这个问题，你可以使用`torch.load()`方法加载你的预训练模型的状态字典，并将它们加载到你的模型中。然后，你可以使用这个模型来继续训练。

具体的代码如下：

# 加载预训练模型的状态字典
state_dict = torch.load("../models/light-model-{}.pth".format(i))

# 初始化模型
model = ResNet_101(num_classes=20)

# 加载状态字典到模型中
model.load_state_dict(state_dict)

# 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...

在这个例子中，你首先使用`torch.load()`方法加载预训练模型的状态字典。然后，你使用`ResNet_101`类初始化了一个新的模型对象。接下来，你使用`model.load_state_dict()`方法将预训练模型的状态字典加载到你的模型中。最后，你定义了损失函数和优化器，并通过训练循环继续训练你的模型。

需要注意的是，你在继续训练模型时，你可能需要调整学习率和训练周期等超参数，以便更好地训练模型。

相关问题

torch.save(model.state_dict(), MODEL_PATH)

`torch.save(model.state_dict(), MODEL_PATH)` 用于将 PyTorch 模型的状态字典保存到指定的文件路径 `MODEL_PATH` 中。状态字典包含了模型的所有参数和缓存，可以用于恢复模型或在其他地方使用模型的参数。通常，在训练模型后，你可以使用 `torch.save()` 函数将模型的状态字典保存到磁盘上，以便以后可以加载模型或在其他任务中重用模型的参数。

例如，以下是一个示例，将模型保存到名为 `model.pt` 的文件中：

# 训练模型
model.train()

# 保存模型
MODEL_PATH = "model.pt"
torch.save(model.state_dict(), MODEL_PATH)

在上面的代码中，我们首先调用 `model.train()` 来将模型设置为训练模式，然后使用 `torch.save()` 函数将模型的状态字典保存到 `model.pt` 文件中。

torch.save(model.state_dict(), 'save_model/best_model.pth')

这行代码是将PyTorch模型的参数保存到文件中，以便以后可以重新加载模型并使用它。第一个参数`model.state_dict()`是一个字典，包含模型的所有参数和权重，第二个参数是要保存的文件路径。

你可以使用以下代码来加载保存的模型：

model.load_state_dict(torch.load('save_model/best_model.pth'))

这将加载已保存的模型参数，并将其设置为当前模型的参数。之后你就可以使用该模型进行推理或训练了。