pytorch官网保存加载模型文件的教程：
https://pytorch.org/tutorials/beginner/saving_loading_models.html
保存为这个格式是为了进行推理。该格式在推理时可不用定义模型的类。该格式也可以在C++中进行推理。
在https://pytorch.org/tutorials/beginner/saving_loading_models.html简介如下：
One common way to do inference with a trained model is to use TorchScript, an intermediate representation of a PyTorch model that can be run in Python as well as in a high performance environment like C++. TorchScript is actually the recommended model format for scaled inference and deployment.
Using the TorchScript format, you will be able to load the exported model and run inference without defining the model class.
保存的代码：
# Export to TorchScript
model_scripted = torch.jit.script(model)
# Save
model_scripted.save('model_scripted.pt')进行推理的代码：
model = torch.jit.load('model_scripted.pt')
model.eval()加eval是为了在推理前设置模型中的dropout和batch norm功能为eval模式，即使得模型BN层等失效。
eval()是PyTorch中用来将神经网络设置为评估模式的方法。在评估模式下，网络的参数不会被更新，Dropout和Batch Normalization层的行为也会有所不同。通常在测试阶段使用评估模式。
eval() 可以作为模型推理的性能提升方法，在评估模式下，计算图是不被跟踪的，这样可以节省内存使用，提升性能。还可以使用torch.no_grad()配合使用，在评估阶段关闭梯度跟踪，进一步提升性能。
给一段kimi给出的例子吧：
import torch
# 加载训练好的模型，这里假设模型已经保存为'model.pth'
model = torch.jit.load('model.pth')
model.eval() # 将模型设置为评估模式
# 准备输入数据
# 这里需要根据你的模型输入进行相应的数据预处理
# 例如，如果你的模型接受的是图像数据，你需要进行图像的读取和预处理
# 示例中使用随机数据作为输入
input_data = torch.randn(1, 3, 224, 224) # 假设输入是单张3通道224x224的图像
# 进行推理
with torch.no_grad():
output = model(input_data)
# 处理输出
# 根据你的任务类型，这里可能是分类、回归或其他
# 例如，如果是分类任务，你可能需要找到概率最高的类别索引
_, predicted_class = torch.max(output, 1)
print(f'Predicted class index: {predicted_class.item()}')注意了：对于上面例子中的input_data，格式是[[data], ...]这种的，即外面是有个维度的，这就是batch的数量，如果你是从np生成的单个数据，那大概率是没有外面的这个batch维度的，那就需要加上。方法有两种：
data = np.expand_dims(data, axis=0)
# 或者
s = torch.unsqueeze(torch.tensor(input, dtype=torch.float), 0)本文参考此资料。
===