pytorch训练后如何把模型应用并输出预测结果？

现在我用pytorch进行一个回归任务（中间包含图卷积神经网络和一维卷积网络，然后一个全连接层进行回归预测），训练后想保存效果最好的那一次的模型，然后应用到其他数据上，输出其他数据预测出来的结果（结果应该是连续的数值），想请教这要怎么做呢？有人可以提供帮助吗

该回答通过自己思路及引用到GPTᴼᴾᴱᴺᴬᴵ搜索,得到内容具体如下：
在 PyTorch 中，可以使用 torch.save() 函数将训练好的模型保存到硬盘上，以便后续使用。具体来说，可以在训练循环中记录最好的模型，并将其保存到文件中。代码如下：

import torch

# 训练代码...

# 保存效果最好的模型
best_model = model.state_dict()
torch.save(best_model, "best_model.pth")

在需要使用模型进行预测的时候，可以使用 torch.load() 函数将保存的模型加载回来，并将待预测的数据输入模型中，得到输出结果。具体来说，可以先定义模型，然后使用 torch.load() 函数加载保存的模型，最后将待预测的数据输入模型中，得到输出结果。代码如下：

import torch

# 定义模型
model = MyModel()
model.eval()

# 加载保存的模型
model.load_state_dict(torch.load("best_model.pth"))

# 输入待预测的数据并输出预测结果
with torch.no_grad():
    x = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]], dtype=torch.float32)
    y_pred = model(x)
    print(y_pred)

在上述代码中，MyModel() 表示定义的模型类，model.eval() 表示将模型设置为评估模式，torch.no_grad() 表示在计算图中不需要计算梯度，在进行预测时可以提高运行效率。其中，x 表示待预测的数据，y_pred 表示模型输出的预测结果。

需要注意的是，模型的输入数据形状应该与模型定义时的输入形状一致，模型输出的结果是一个张量，需要根据具体的问题进行解释。

如果以上回答对您有所帮助，点击一下采纳该答案～谢谢

你可以参考下这个问题的回答, 看看是否对你有帮助, 链接: https://ask.csdn.net/questions/7612765
这篇博客也不错, 你可以看下Pytorch 加载预训练模型，固定部分模型微调，但是固定部分输出结果不同的原因
你还可以看下pytorch参考手册中的 pytorch 使用PyTorch进行培训
除此之外, 这篇博客: 【Pytorch】网络结构与预训练模型的网络结构是否一致的情况下：手动加载预训练模型、网络结构与模型参数匹配中的 网络结构不一致 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:

这里模型使用Pytorch提供的ResNet101作为backbone，而预训练模型的backbone为ResNet50。

import torch
import torchvision.models
from torch import nn
from collections import OrderedDict


model = torchvision.models.resnet101(pretrained=False)    # Pytorch提供的网络结构，不加载官方预训练模型（ImageNet）
fc_features = model.fc.in_features         # 提取fc层中固定的参数
model.fc = nn.Linear(fc_features, 51)     # 修改为自己项目的类别数量（也即预训练模型的类别数）

与之前同理，首先观察网络层名有什么差异，然后更改层名使其一致，这里由于网络结构不同，所以只将ResNet101与ResNet50中都有的层名用预训练权重参数赋值。代码如下：

# 更改预训练模型的层名，使其匹配models.py中定义的base_model网络层名
new_state_dict = OrderedDict()
for k, v in pretrained_model['state_dict'].items():
    name = 'module.base_model.' + k[9:]  # 更改conv1.weight等层名的前缀
    new_state_dict[name] = v

pretrained_dict = {k: v for k, v in new_state_dict.items() if k in model_dict}
# 更新现有的model_dict
model_dict = model.state_dict()
model_dict.update(pretrained_dict)
# 加载我们真正需要的state_dict
model.load_state_dict(model_dict)

您还可以看一下日月光华老师的PyTorch深度学习简明教程课程中的模型训练与结果可视化小节, 巩固相关知识点
以下回答由chatgpt基于相关博客总结生成:
针对问题描述，需要将PyTorch训练完的模型保存，并在新数据上进行预测输出。具体步骤如下：
Step 1：保存最好的模型
在训练过程中，可以设置一个变量记录最好的模型，一旦有更好的模型就更新该变量。代码如下：
```
# 在训练过程中记录最好的模型
best_loss = float('inf')
for epoch in range(num_epochs):
    train_loss = train(model, train_loader, optimizer, criterion, device)
    val_loss = validate(model, val_loader, criterion, device)
    if val_loss < best_loss:
        best_loss = val_loss
        torch.save(model.state_dict(), 'best_model.pt')
    print(f'Epoch: {epoch+1}/{num_epochs}, Train Loss: {train_loss:.4f}, Val Loss: {val_loss:.4f}, Best Loss: {best_loss:.4f}')
```
这里使用了一个best_loss变量记录最好的模型参数，如果有更好的模型则更新best_loss，并将模型参数保存在best_model.pt文件中。
Step 2：载入保存好的模型
在新数据上进行预测需要载入已经保存好的模型参数，代码如下：
```
# 创建模型实例
model = MyModel()
# 载入之前训练好的最佳模型参数
model.load_state_dict(torch.load('best_model.pt'))
```
这里假设MyModel是你自己定义的网络模型。
Step 3：进行预测
在载入模型参数后，即可使用模型进行预测，代码如下：
```
# 将模型设置为评估模式
model.eval()
# 使用模型预测新数据
with torch.no_grad():
    y_pred = model(x_new)
```
这里需要将模型设置为评估模式，使用no_grad()上下文管理器，不保存梯度，避免出现不必要的计算。同时，x_new代表新的数据输入。
至此，已经实现了在PyTorch中训练完模型后将其应用于新数据并输出预测结果的过程。