使用mindspore加载模型用于推理或迁移学习

在模型训练过程中保存在本地的CheckPoint文件，或从MindSpore Hub下载的CheckPoint文件，都可以进行推理或迁移学习使用。

以下通过示例来介绍如何通过本地加载或Hub加载模型，用于推理验证和迁移学习。

1. 本地加载模型使用

   针对仅推理场景可以使用把参数直接加载到网络中，以便进行后续的推理验证。load_checkpoint

   示例代码如下：

   resnet = ResNet50()

   load_checkpoint("resnet50-2_32.ckpt", net=resnet)

   dateset_eval = create_dataset(os.path.join(mnist_path, "test"), 32, 1) # define the test dataset

   loss = CrossEntropyLoss()

   model = Model(resnet, loss, metrics={"accuracy"})

   acc = model.eval(dataset_eval)

   load_checkpoint方法会把参数文件中的网络参数加载到模型中。加载后，网络中的参数就是CheckPoint保存的。

   eval方法会验证训练后模型的精度。

2. 用于迁移学习的方法

   针对任务中断再训练及微调（Fine Tune）场景，可以加载网络参数和优化器参数到模型中。

   示例代码如下：

   # return a parameter dict for model

   param_dict = load_checkpoint("resnet50-2_32.ckpt")

   resnet = ResNet5