pytorch怎么加载每一代epoch训练进度

在PyTorch中，可以通过使用`torch.save()`和`torch.load()`函数来保存和加载模型和优化器的状态。如果你想在每个epoch结束时保存模型和优化器的状态，可以在训练循环中添加相应的代码，如下所示：

# 在每个epoch结束时保存模型和优化器的状态
for epoch in range(num_epochs):
    # 训练代码
    for batch_idx, (data, target) in enumerate(train_loader):
        # 训练代码
    # 保存模型和优化器的状态
    checkpoint = {
        'epoch': epoch + 1,
        'state_dict': model.state_dict(),
        'optimizer': optimizer.state_dict()
    }
    torch.save(checkpoint, 'checkpoint.pth')

这里，我们将一个字典保存为checkpoint.pth文件，包含当前epoch的数量、模型和优化器的状态。在下一个epoch开始时，你可以使用`torch.load()`函数加载checkpoint.pth文件，并继续训练。

# 加载checkpoint.pth文件
checkpoint = torch.load('checkpoint.pth')
model.load_state_dict(checkpoint['state_dict'])
optimizer.load_state_dict(checkpoint['optimizer'])
epoch = checkpoint['epoch']

# 继续训练
for epoch in range(epoch, num_epochs):
    # 训练代码
    for batch_idx, (data, target) in enumerate(train_loader):
        # 训练代码
    # 保存模型和优化器的状态
    checkpoint = {
        'epoch': epoch + 1,
        'state_dict': model.state_dict(),
        'optimizer': optimizer.state_dict()
    }
    torch.save(checkpoint, 'checkpoint.pth')

这样，你就可以在每个epoch结束时保存模型和优化器的状态，并在下一个epoch开始时加载它们，实现训练进度的持续跟踪。