在PyTorch中，保存训练好的模型或训练到一半的模型非常简单。

保存完整训练的模型:

这将保存模型的参数和优化器的状态到指定的路径。

保存训练中的模型: 如果想在训练过程中的某个点保存模型以便之后继续训练，你可以在训练循环中的任何地方执行上述相同的保存操作。

加载完整训练的模型:

这将加载模型的参数，并将其设置为评估模式，适合于进行预测。

加载训练中的模型:

加载模型：使用PyTorch的torch.load函数加载模型的状态字典（state_dict），然后使用模型的load_state_dict方法将状态加载到模型中。

恢复优化器状态（如果需要）：如果希望从特定的迭代次数继续训练，还需要加载优化器的状态。

设置训练状态：确保模型处于训练模式（model.train()），并根据需要设置任何其他训练状态，如当前的epoch和迭代次数。

以下是一个简化的代码示例，展示了如何实现这些步骤：

请注意，这个示例假设已经有了模型和优化器的实例。需要根据具体情况来调整代码，包括模型和优化器的创建、路径的设置以及训练循环的实现。 此外，如果训练过程中有其他需要恢复的状态（如学习率调度器的状态），也需要加载这些状态。确保所有状态都正确恢复后，就可以从上次停止的地方继续训练了。

通过遵循这些步骤，就可以轻松地保存和加载PyTorch模型，无论是为了继续训练还是用于实际问题的解决。