目录
导入Python 库和模块
上一章节着重阐述了怎样对超参数予以调整，以及如何开展网络模型的训练工作。在网络模型训练的整个进程当中，事实上我们满怀期望能够留存中间阶段以及最终的成果，以便用于细微的调整（fine-tune）以及后续的模型推理和部署操作。在本章节，我们将会为您介绍怎样去保存以及加载模型。
首先，我们进行了一系列的 Python 库和模块的导入操作：我们导入了 NumPy 库，并将其简称为 np 。要知道，NumPy 通常被广泛应用于数值计算领域以及数组相关的操作之中。此外，我们还导入了 MindSpore 库，MindSpore 乃是一个极为出色的深度学习框架。不仅如此，我们从 MindSpore 库中导入了 nn 模块，这里面或许涵盖了与神经网络相关联的各类类和函数。最后，我们还从 MindSpore 库中导入了 Tensor 类，其主要作用在于创建张量这种数据结构。
代码如下：
import numpy as np
import mindspore
from mindspore import nn
from mindspore import Tensor 创建神经网络模型
定义了一个被称作“network”的函数，此函数旨在创建一个神经网络模型。在该函数的内部，通过运用“nn.SequentialCell”构建了一个按照顺序相互连接的神经网络。最终，这个函数会返回构建完成的模型。
代码如下：
def network():
model = nn.SequentialCell(
#用于将输入数据展平为一维向量
nn.Flatten(),
#全连接层，输入维度为 28*28，输出维度为 512。
nn.Dense(28*28, 512),
#激活函数 ReLU 层。
nn.ReLU(),
#全连接层，输入维度为 512，输出维度为 512。
nn.Dense(512, 512),
#激活函数 ReLU 层。
nn.ReLU(),
#全连接层，输入维度为 512，输出维度为 10。
nn.Dense(512, 10))
return model 保存和加载模型权重
当对模型进行保存操作时，将采用 save_checkpoint 这一接口，并将网络和特定指定的保存路径传入其中。
代码如下：
model = network()
mindspore.save_checkpoint(model, "model.ckpt") 分析：在 MindSpore 框架中，“model = network()”这行代码一般而言是创建了一个被命名为“model”的对象。此对象是通过对名为“network”的函数或者类的调用而得以生成。而“mindspore.save_checkpoint(model, "model.ckpt")”这行代码，其发挥的作用是借助 MindSpore 框架所提供的“save_checkpoint”函数，把创建好的“model”对象的当前状态保存至一个叫做“model.ckpt”的文件之中。之所以要进行这样的操作，通常是出于如下目的：在后续的一系列操作里，能够重新加载这个模型的状态，从而便于继续开展训练工作、执行预测任务，或者实现模型的迁移以及部署等相关操作。
要实现模型权重的加载，第一步是创建相同的模型实例，接下来则要通过 load_checkpoint 和 load_param_into_net 方法对参数予以加载。
代码如下：
model = network()
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load) 分析：首先，通过 model = network() 创建了一个名为 model 的网络对象。
然后，使用 mindspore.load_checkpoint("model.ckpt") 从名为 "model.ckpt" 的文件中加载模型的检查点数据，并将其存储在 param_dict 中。
接着，通过 mindspore.load_param_into_net(model, param_dict) 尝试将加载的参数数据 param_dict 加载到模型 model 中。同时，返回未成功加载的参数以及一个相关的标识，未成功加载的参数存储在 param_not_load 中。
最后，使用 print(param_not_load) 输出未成功加载的参数。
运行结果：
[]
保存和加载MindIR
除了 Checkpoint 之外，MindSpore 为云侧（训练）和端侧（推理）提供了统一的中间表示（Intermediate Representation，IR）。用户能够通过 export 接口，直接将模型保存为 MindIR 格式。这种统一的中间表示和便捷的模型保存方式，为模型的训练和推理提供了高效且便捷的支持，极大地提升了开发和应用的效率。
代码如下：
model = network()
inputs = Tensor(np.ones([1, 1, 28, 28]).astype(np.float32))
mindspore.export(model, inputs, file_name="model", file_format="MINDIR")
mindspore.set_context(mode=mindspore.GRAPH_MODE)
graph = mindspore.load("model.mindir")
model = nn.GraphCell(graph)
outputs = model(inputs)
print(outputs.shape) 分析：首先定义了一个叫做 model 的网络模型，接着准备了一个输入数据 inputs ，这个数据的值全是 1 ，并且是张量的形式。然后通过 mindspore.export 把模型和这个输入保存成 MINDIR 格式的文件，文件名就叫 model 。接下来设置 MindSpore 的运行环境为图模式。再去加载之前保存的 model.mindir 文件，并把它转变为 GraphCell 类型的模型。之后使用之前准备好的输入数据 inputs 来对模型进行推理运算，从而得到输出 outputs 。最后把输出的形状给打印出来。
运行结果：
(1, 10)
运行截图：
