背景
提供免费算力支持，有交流群有值班教师答疑的华为昇思训练营进入第八天了。
今天是第八天，前七天的学习内容可以看链接
昇思25天学习打卡营第一天|快速入门
昇思25天学习打卡营第二天|张量 Tensor
昇思25天学习打卡营第三天|数据集Dataset
昇思25天学习打卡营第四天|数据变换Transforms
昇思25天学习打卡营第五天|网络构建
昇思25天学习打卡营第六天|函数式自动微分
昇思25天学习打卡营第七天|模型训练
学习内容
上一章节主要介绍了如何调整超参数，并进行网络模型训练。在训练网络模型的过程中，实际上我们希望保存中间和最后的结果，用于微调（fine-tune）和后续的模型推理与部署，本章节我们将介绍如何保存与加载模型。
保存和加载模型权重
保存模型使用save_checkpoint接口，传入网络和指定的保存路径：
model = network()
mindspore.save_checkpoint(model, "model.ckpt")
要加载模型权重，需要先创建相同模型的实例，然后使用load_checkpoint和load_param_into_net方法加载参数。
model = network()
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)
保存和加载MindIR
除Checkpoint外，MindSpore提供了云侧（训练）和端侧（推理）统一的中间表示（Intermediate Representation，IR）。可使用export接口直接将模型保存为MindIR。
model = network()
inputs = Tensor(np.ones([1, 1, 28, 28]).astype(np.float32))
mindspore.export(model, inputs, file_name="model", file_format="MINDIR")
MindIR同时保存了Checkpoint和模型结构，因此需要定义输入Tensor来获取输入shape。
已有的MindIR模型可以方便地通过load接口加载，传入nn.GraphCell即可进行推理。
nn.GraphCell仅支持图模式。
总结
今天学的保存与加载，是模型训练后成果的检验。保存与加载完之后，就可以实际使用了。
