深度学习第五周：动态学习率——运动鞋识别

一位不愿透露姓氏的黄先生

已于 2024-04-30 19:57:24 修改

阅读量1.4k

点赞数 27

文章标签：深度学习学习人工智能

于 2024-04-08 22:39:28 首次发布

本文链接：https://blog.csdn.net/qq1273882425/article/details/137524881

版权

🍨 本文为🔗365天深度学习训练营中的学习记录博客
🍖 原作者：K同学啊

往期内容

深度学习第一周：单通道图像——MNIST手写数字识别
 深度学习第二周：多通道图像——CIFAR10彩色图片识别
 深度学习第三周：本地数据集——天气识别
 深度学习第四周：模型保存和加载——猴痘病识别

一、前期准备

1. 设置GPU

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision

# 设置硬件设备，如果有GPU则使用，没有则使用cpu
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

Output：

device(type='cuda')  #代表使用的是GPU

2. 设置随机种子

为了保证实验可以复现，我们通过随机种子控制随机数的生成。

import random
import numpy as np

def setup_seed(seed):
     torch.manual_seed(seed)
     torch.cuda.manual_seed_all(seed)
     np.random.seed(seed)
     random.seed(seed)
     torch.backends.cudnn.deterministic = True
# 设置随机数种子
setup_seed(2)

3. 导入数据

import os,PIL,random,pathlib

data_dir = './data/运动鞋/train'
data_dir = pathlib.Path(data_dir)

data_paths = list(data_dir.glob('*'))
classeNames = [str(path).split("\\")[3] for path in data_paths]
classeNames

['adidas', 'nike']

pathlib.Path(data_dir)：它将data_dir字符串转换成一个Path对象。这个对象代表了文件系统中的具体路径，无论这个路径是否真实存在。
data_dir.glob('*')：生成一个迭代器。这个迭代器遍历与指定模式匹配的所有路径。当前模式是'*'，意味着它会匹配data_dir目录下的所有文件和子目录，不论它们的名字是什么。
.split("\\")：这个方法用于分割路径字符串，使用反斜杠（\）作为分隔符。在Windows操作系统中，路径通常使用反斜杠作为目录分隔符。注意，由于反斜杠在Python字符串中用作转义字符，因此需要双写（即"\"）以表示字面上的反斜杠字符。
[3]：代表为path根据反斜杠分割后的第四个元素。

# 关于transforms.Compose的更多介绍可以参考：https://blog.csdn.net/qq_38251616/article/details/124878863
train_transforms = transforms.Compose([
    transforms.Resize([224, 224]),  # 将输入图片resize成统一尺寸
    transforms.RandomHorizontalFlip(), # 数据增强-随机水平翻转
    transforms.ToTensor(),          # 将PIL Image或numpy.ndarray转换为tensor，并归一化到[0,1]之间
    transforms.Normalize(           # 标准化处理-->转换为标准正态分布（高斯分布），使模型更容易收敛
        mean=[0.485, 0.456, 0.406], 
        std=[0.229, 0.224, 0.225])  # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])

test_transform = transforms.Compose([
    transforms.Resize([224, 224]),  # 将输入图片resize成统一尺寸
    transforms.ToTensor(),          # 将PIL Image或numpy.ndarray转换为tensor，并归一化到[0,1]之间
    transforms.Normalize(           # 标准化处理-->转换为标准正态分布（高斯分布），使模型更容易收敛
        mean=[0.485, 0.456, 0.406], 
        std=[0.229, 0.224, 0.225])  # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])

train_dataset = datasets.ImageFolder("./data/运动鞋/train",transform=train_transforms)
test_dataset  = datasets.ImageFolder("./data/运动鞋/test",transform=train_transforms)

datasets.ImageFolder：torchvision.datasets.ImageFolder是PyTorch提供的一个类，它用于处理那些目录结构按类别组织的图像数据集。每个类的图像应存储在各自的子目录中。ImageFolder自动将这些子目录的名称作为类标签。
mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]：mean, std 三通道值是从imagenet训练集中抽样算出来的。

查看数据集大小，

train_size=len(train_dataset)
test_size=len(test_dataset)
train_size,test_size

(502, 76)

通过 torch.utils.data.DataLoader 设置 Loader，

batch_size = 32

train_dl = torch.utils.data.DataLoader(train_dataset,
                                           batch_size=batch_size,
                                           shuffle=True,
                                           num_workers=1)
test_dl = torch.utils.data.DataLoader(test_dataset,
                                          batch_size=batch_size,
                                          shuffle=True,
                                          num_workers=1)

num_workers=1: 这个参数设置了用于数据加载的子进程数。增加num_workers的数量可以提高数据加载的速度，特别是当数据集比较大或者数据预处理比较耗时时。设置为2意味着会有两个工作进程并行读取数据。这个参数需要根据本地/服务器性能，进行灵活调整，并非越大越好。

查看数据维数，

for X, y in test_dl:
    print("Shape of X [N, C, H, W]: ", X.shape)
    print("Shape of y: ", y.shape, y.dtype)
    break

Shape of X [N, C, H, W]:  torch.Size([32, 3, 224, 224])
Shape of y:  torch.Size([32]) torch.int64

对应的是：

batch number：32
channel：3
height：224（图片的长）
weight：224（图片的宽）

2.构建网络

import torch.nn.functional as F

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.conv1=nn.Sequential(
            nn.Conv2d(3, 12, kernel_size=5, padding=0), # 12*220*220
            nn.BatchNorm2d(12), # 对当前batch下所有图片的同一个特征的所有通道，进行归一化
            nn.ReLU()) #利用sequential建立小block
        
        self.conv2=nn.Sequential(
            nn.Conv2d(12, 12, kernel_size=5, padding=0), # 12*216*216
            nn.BatchNorm2d(12),
            nn.ReLU())
        
        self.pool3=nn.Sequential(
            nn.MaxPool2d(2))                              # 12*108*108
        
        self.conv4=nn.Sequential(
            nn.Conv2d(12, 24, kernel_size=5, padding=0), # 24*104*104
            nn.BatchNorm2d(24),
            nn.ReLU())
        
        self.conv5=nn.Sequential(
            nn.Conv2d(24, 24, kernel_size=5, padding=0), # 24*100*100
            nn.BatchNorm2d(24),
            nn.ReLU())
        
        self.pool6=nn.Sequential(
            nn.MaxPool2d(2))                              # 24*50*50

        self.dropout = nn.Sequential(
            nn.Dropout(0.2))
        
        self.fc=nn.Sequential(
            nn.Linear(24*50*50, len(classeNames)))
        
    def forward(self, x):
        
        batch_size = x.size(0)
        x = self.conv1(x)  # 卷积-BN-激活
        x = self.conv2(x)  # 卷积-BN-激活
        x = self.pool3(x)  # 池化
        x = self.conv4(x)  # 卷积-BN-激活
        x = self.conv5(x)  # 卷积-BN-激活
        x = self.pool6(x)  # 池化
        x = self.dropout(x)
        x = x.view(batch_size, -1)  # flatten 变成全连接网络需要的输入 (batch, 24*50*50) ==> (batch, -1), -1 此处自动算出的是24*50*50
        x = self.fc(x)
       
        return x

nn.Conv2d(input_channel, output_channel, kernel_size) CNN理论核心——卷积层，设置kernel / filter 大小和个数，用于提取数据特征。
nn.MaxPool2d(2) 下采样（池化），降低数据维数，表示抽象概念，传入参数为池化核大小。
nn.ReLU激活函数，赋予模型拟合非线性关系的能力。
nn.Linear(input_dimension, output_dimension)全连接层，相当于给数据乘以权重矩阵W，W的size由input_dimension, output_dimension和确定。
卷积核的size为：kernel_size × kernel_size × 上一层channel，因此，卷积核维数 = 数据维数 + 1。
nn.Sequential()：序列容器，用于搭建神经网络的模块被按照被传入构造器的顺序添加到nn.Sequential()容器中。OrderedDict也可以被传入nn.Sequential()中。

查看网络参数，

from torchinfo import summary
model = Model().to(device) # 将模型转移到GPU中（我们模型运行均在GPU中进行）
# 加载训练好的参数
# PATH = './Model/P5_model.pth'
# model.load_state_dict(torch.load(PATH, map_location=device))
summary(model)

=================================================================
Layer (type:depth-idx)                   Param #
=================================================================
Model                                    --
├─Sequential: 1-1                        --
│    └─Conv2d: 2-1                       912
│    └─BatchNorm2d: 2-2                  24
│    └─ReLU: 2-3                         --
├─Sequential: 1-2                        --
│    └─Conv2d: 2-4                       3,612
│    └─BatchNorm2d: 2-5                  24
│    └─ReLU: 2-6                         --
├─Sequential: 1-3                        --
│    └─MaxPool2d: 2-7                    --
├─Sequential: 1-4                        --
│    └─Conv2d: 2-8                       7,224
│    └─BatchNorm2d: 2-9                  48
│    └─ReLU: 2-10                        --
├─Sequential: 1-5                        --
│    └─Conv2d: 2-11                      14,424
│    └─BatchNorm2d: 2-12                 48
│    └─ReLU: 2-13                        --
├─Sequential: 1-6                        --
│    └─MaxPool2d: 2-14                   --
├─Sequential: 1-7                        --
│    └─Dropout: 2-15                     --
├─Sequential: 1-8                        --
│    └─Linear: 2-16                      120,002
=================================================================
Total params: 146,318
Trainable params: 146,318
Non-trainable params: 0
=================================================================

三、训练模型

1. 设置超参数——自定义动态学习率

def adjust_learning_rate(optimizer, epoch, start_lr):
    # 每 2 个epoch衰减到原来的 0.98
    lr = start_lr * (0.98 ** (epoch // 2)) #//代表÷2之后的商
    for param_group in optimizer.param_groups:
        param_group['lr'] = lr

learn_rate = 1e-4 # 初始学习率
optimizer  = torch.optim.SGD(model.parameters(), lr=learn_rate)

然而，尽管adjust_learning_rate函数本身不打印或返回学习率的更新结果，学习率实际上是通过修改optimizer对象的状态来更新的。这种更新是在内存中对optimizer对象进行的，不需要通过返回值或打印来“输出”。代码通过修改optimizer.param_groups中每个参数组的lr值来实现学习率的更新。

1. 设置超参数——方式二：PyTorch调用API

learn_rate = 1e-4 # 初始学习率
lambda1 = lambda epoch: (0.98 ** (epoch // 2))
optimizer  = torch.optim.SGD(model.parameters(), lr=learn_rate)
scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda=lambda1) #选定调整方法

lambda1 = lambda epoch: (0.98 ** (epoch // 2))：定义一个匿名函数 lambd1，使用lambda关键字（专门用于创建匿名函数），其参数是 epoch，函数体是返回 0.98 ^ [ epoch 除以 2 的商]。
scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda=lambda1)：LambdaLR调度器名为scheduler，它根据lambda1函数动态调整与optimizer关联的学习率。LambdaLR接受两个主要参数：optimizer, lr_lambda。optimizer是之前创建的SGD优化器，lr_lambda是定义好的调整学习率的函数。

2. 训练函数

# 训练循环
def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)  # 训练集的大小
    num_batches = len(dataloader)   # 批次数目, (size/batch_size，向上取整)

    train_loss, train_acc = 0, 0  # 初始化训练损失和正确率
    
    for X, y in dataloader:  # 获取图片及其标签
        X, y = X.to(device), y.to(device)
        
        # 计算预测误差
        pred = model(X)          # 网络输出
        loss = loss_fn(pred, y)  # 计算网络输出和真实值之间的差距，targets为真实值，计算二者差值即为损失
        
        # 反向传播
        optimizer.zero_grad()  # grad属性归零
        loss.backward()        # 反向传播
        optimizer.step()       # 每一步自动更新
        
        # 记录acc与loss
        train_acc  += (pred.argmax(1) == y).type(torch.float).sum().item()
        train_loss += loss.item()
            
    train_acc  /= size
    train_loss /= num_batches

    return train_acc, train_loss

optimizer.zero_grad()清空上一次的累计梯度
loss.backward()根据tensor进行过的数学运算来自动计算其对应的梯度。具体来说，torch.tensor是autograd包的基础类，如果你设置tensor的requires_grads为True，就会开始跟踪这个tensor上面的所有运算，如果你做完运算后使用tensor.backward()，所有的梯度就会自动运算，tensor的梯度将会累加到它的.grad属性里面去。
optimizer.step() step()函数的作用是执行一次反向传播，通过梯度下降法来更新参数的值。optimizer只负责通过梯度下降进行优化，而不负责产生梯度

3.测试函数

测试函数和训练函数大致相同，但是由于不进行梯度下降对网络权重进行更新，所以不需要传入优化器。

def test (dataloader, model, loss_fn):
    size        = len(dataloader.dataset)  # 测试集的大小，一共10000张图片
    num_batches = len(dataloader)          # 批次数目，313（10000/32=312.5，向上取整）
    test_loss, test_acc = 0, 0
    
    # 当不进行训练时，停止梯度更新，节省计算内存消耗
    with torch.no_grad():
        for imgs, target in dataloader:
            imgs, target = imgs.to(device), target.to(device)
            
            # 计算loss
            target_pred = model(imgs)
            loss        = loss_fn(target_pred, target)
            
            test_loss += loss.item() #累计loss
            test_acc  += (target_pred.argmax(1) == target).type(torch.float).sum().item() # 累计正确个数

    test_acc  /= size
    test_loss /= num_batches

    return test_acc, test_loss

4. 正式训练

# import pdb
loss_fn    = nn.CrossEntropyLoss() # 创建损失函数
epochs     = 40

train_loss = []
train_acc  = []
test_loss  = []
test_acc   = []
# pdb.set_trace()

for epoch in range(epochs):
    # 更新学习率（使用自定义学习率时使用）
#     adjust_learning_rate(optimizer, epoch, learn_rate)
    
    model.train()
    epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, optimizer)
    scheduler.step() # 更新学习率（调用官方动态学习率接口时使用）
    
    model.eval()
    epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)
    
    train_acc.append(epoch_train_acc)
    train_loss.append(epoch_train_loss)
    test_acc.append(epoch_test_acc)
    test_loss.append(epoch_test_loss)
    
    # 获取当前的学习率
    lr = optimizer.state_dict()['param_groups'][0]['lr']
    template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}, Lr:{:.2E}')
    print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, 
                          epoch_test_acc*100, epoch_test_loss, lr))
print('Done')

Epoch: 1, Train_acc:54.0%, Train_loss:0.743, Test_acc:52.6%, Test_loss:0.683, Lr:1.00E-04
Epoch: 2, Train_acc:59.8%, Train_loss:0.699, Test_acc:64.5%, Test_loss:0.662, Lr:9.80E-05
Epoch: 3, Train_acc:57.8%, Train_loss:0.693, Test_acc:61.8%, Test_loss:0.619, Lr:9.80E-05
Epoch: 4, Train_acc:67.5%, Train_loss:0.620, Test_acc:63.2%, Test_loss:0.662, Lr:9.60E-05
Epoch: 5, Train_acc:69.3%, Train_loss:0.588, Test_acc:57.9%, Test_loss:0.603, Lr:9.60E-05
Epoch: 6, Train_acc:71.1%, Train_loss:0.576, Test_acc:63.2%, Test_loss:0.644, Lr:9.41E-05
Epoch: 7, Train_acc:71.1%, Train_loss:0.556, Test_acc:67.1%, Test_loss:0.590, Lr:9.41E-05
Epoch: 8, Train_acc:73.9%, Train_loss:0.549, Test_acc:63.2%, Test_loss:0.605, Lr:9.22E-05
Epoch: 9, Train_acc:73.5%, Train_loss:0.541, Test_acc:69.7%, Test_loss:0.561, Lr:9.22E-05
Epoch:10, Train_acc:74.5%, Train_loss:0.535, Test_acc:63.2%, Test_loss:0.605, Lr:9.04E-05
Epoch:11, Train_acc:77.5%, Train_loss:0.516, Test_acc:68.4%, Test_loss:0.547, Lr:9.04E-05
Epoch:12, Train_acc:79.1%, Train_loss:0.479, Test_acc:67.1%, Test_loss:0.638, Lr:8.86E-05
Epoch:13, Train_acc:77.9%, Train_loss:0.472, Test_acc:65.8%, Test_loss:0.565, Lr:8.86E-05
Epoch:14, Train_acc:80.5%, Train_loss:0.457, Test_acc:75.0%, Test_loss:0.529, Lr:8.68E-05
Epoch:15, Train_acc:80.5%, Train_loss:0.471, Test_acc:73.7%, Test_loss:0.509, Lr:8.68E-05
Epoch:16, Train_acc:80.7%, Train_loss:0.446, Test_acc:71.1%, Test_loss:0.525, Lr:8.51E-05
Epoch:17, Train_acc:81.3%, Train_loss:0.440, Test_acc:72.4%, Test_loss:0.545, Lr:8.51E-05
Epoch:18, Train_acc:83.7%, Train_loss:0.436, Test_acc:67.1%, Test_loss:0.560, Lr:8.34E-05
Epoch:19, Train_acc:84.9%, Train_loss:0.417, Test_acc:67.1%, Test_loss:0.556, Lr:8.34E-05
Epoch:20, Train_acc:81.1%, Train_loss:0.418, Test_acc:69.7%, Test_loss:0.500, Lr:8.17E-05
Epoch:21, Train_acc:84.3%, Train_loss:0.400, Test_acc:67.1%, Test_loss:0.526, Lr:8.17E-05
Epoch:22, Train_acc:84.7%, Train_loss:0.405, Test_acc:77.6%, Test_loss:0.501, Lr:8.01E-05
Epoch:23, Train_acc:86.1%, Train_loss:0.398, Test_acc:68.4%, Test_loss:0.555, Lr:8.01E-05
Epoch:24, Train_acc:85.5%, Train_loss:0.398, Test_acc:73.7%, Test_loss:0.498, Lr:7.85E-05
Epoch:25, Train_acc:87.3%, Train_loss:0.366, Test_acc:73.7%, Test_loss:0.494, Lr:7.85E-05
Epoch:26, Train_acc:85.5%, Train_loss:0.380, Test_acc:71.1%, Test_loss:0.473, Lr:7.69E-05
Epoch:27, Train_acc:88.2%, Train_loss:0.369, Test_acc:65.8%, Test_loss:0.589, Lr:7.69E-05
Epoch:28, Train_acc:88.4%, Train_loss:0.364, Test_acc:72.4%, Test_loss:0.480, Lr:7.54E-05
Epoch:29, Train_acc:85.9%, Train_loss:0.368, Test_acc:68.4%, Test_loss:0.543, Lr:7.54E-05
Epoch:30, Train_acc:87.1%, Train_loss:0.357, Test_acc:69.7%, Test_loss:0.500, Lr:7.39E-05
Epoch:31, Train_acc:87.3%, Train_loss:0.349, Test_acc:72.4%, Test_loss:0.544, Lr:7.39E-05
Epoch:32, Train_acc:90.6%, Train_loss:0.341, Test_acc:76.3%, Test_loss:0.474, Lr:7.24E-05
Epoch:33, Train_acc:89.6%, Train_loss:0.337, Test_acc:78.9%, Test_loss:0.482, Lr:7.24E-05
Epoch:34, Train_acc:89.4%, Train_loss:0.336, Test_acc:72.4%, Test_loss:0.596, Lr:7.09E-05
Epoch:35, Train_acc:91.6%, Train_loss:0.317, Test_acc:69.7%, Test_loss:0.493, Lr:7.09E-05
Epoch:36, Train_acc:88.6%, Train_loss:0.343, Test_acc:76.3%, Test_loss:0.479, Lr:6.95E-05
Epoch:37, Train_acc:90.8%, Train_loss:0.316, Test_acc:73.7%, Test_loss:0.425, Lr:6.95E-05
Epoch:38, Train_acc:89.0%, Train_loss:0.323, Test_acc:76.3%, Test_loss:0.489, Lr:6.81E-05
Epoch:39, Train_acc:90.2%, Train_loss:0.317, Test_acc:73.7%, Test_loss:0.490, Lr:6.81E-05
Epoch:40, Train_acc:90.6%, Train_loss:0.323, Test_acc:75.0%, Test_loss:0.497, Lr:6.68E-05
Done

model.train()的作用是启用 Batch Normalization 和 Dropout。
model.eval()的作用是关闭 Batch Normalization 和 Dropout。Normalization部分是调用training set中的方差和均值进行。Dropout部分不需要，Dropout部分只是帮助模型训练，防止过拟合。因此我们直接调用模型训练好的参数即可。

四、结果可视化

import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore")               #忽略警告信息
plt.rcParams['font.sans-serif']    = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False      # 用来正常显示负号
plt.rcParams['figure.dpi']         = 100        #分辨率

epochs_range = range(epochs)

plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

在这里插入图片描述

2. 指定图片进行预测

补充知识：torch.squeeze() & torch.unsqueeze() 详解

>>> x = torch.zeros(2, 1, 2, 1, 2)
>>> y1 = torch.squeeze(x)
>>> y1.size()
torch.Size([2, 2, 2])

可以发现，第二和第四维度被squeezed，

>>> x = torch.zeros(2, 1, 2, 1, 2)
>>> y2 = torch.squeeze(x, 0)
>>> y2.size()
torch.Size([2, 1, 2, 1, 2])

由于第一维度不为1，因此无法被squeezed，

>>> x = torch.zeros(2, 1, 2, 1, 2)
>>> y3 = torch.squeeze(x, 1)
>>> y3.size()
torch.Size([2, 2, 1, 2])

由于第二维度为1，因此可以被squeezed。现在对指定图片进行预测，

from PIL import Image 

classes = list(train_dataset.class_to_idx)

def predict_one_image(image_path, model, transform, classes):
    
    test_img = Image.open(image_path).convert('RGB')
    plt.imshow(test_img)  # 展示预测的图片

    test_img = transform(test_img)
    img = test_img.to(device).unsqueeze(0)
    
    model.eval()
    output = model(img)

    _,pred = torch.max(output,1)
    pred_class = classes[pred]
    print(f'预测结果是：{pred_class}')

这里需要注意的是，nn.CrossEntropyLoss()的target并没有经过独热编码，例如[0 ,3, 4, 1]，代表有四个样本，分别属于第0、3、4、1类。但是nn.CrossEntropyLoss()的output的 维数 = 类别数，例如 [ 3.4972, -3.2446]，代表该样本第1类得分为 3.4972，第2类得分为 -3.2446。由于第1类得分更大，因此该样本将被判定为第1类。

# 预测训练集中的某张照片
predict_one_image(image_path='./data/运动鞋/test/adidas/1.jpg', 
                  model=model, 
                  transform=test_transform, 
                  classes=classes)

预测结果是：adidas

五、保存并加载模型

# 模型保存
PATH = './P5_model.pth'  # 保存的参数文件名
torch.save(model.state_dict(), PATH)

# 将参数加载到model当中
model.load_state_dict(torch.load(PATH, map_location=device))

model.state_dict()：返回模型的状态字典。模型的状态字典是一个包含所有模型参数（如权重和偏置）的Python字典。这使得模型的参数可以被保存。
model.load_state_dict(...)：将一个状态字典加载到指定模型中。状态字典包含了模型参数，如权重和偏置等。
torch.load(PATH, map_location=device): 这个函数用于加载之前保存的对象。
map_location用于指定加载状态字典时的设备映射。device可以是’cpu’或者CUDA设备如’cuda:0’。这个参数确保了即使在不同的设备间移动模型时，参数也会被正确地加载。