checkpoints(检查点)的作用

详细解释一下checkpoints(检查点)的作用：

# 检查点的主要功能
1. 保存模型状态
checkpoint = {
    'model_state_dict': model.state_dict(),     # 模型参数
    'optimizer_state_dict': optimizer.state_dict(), # 优化器状态
    'epoch': epoch,                             # 当前轮次
    'best_acc': best_acc                        # 最佳准确率
}

2. 使用场景
- 训练中断时可以恢复
- 保存最佳模型用于推理
- 防止意外情况丢失训练进度

3. 保存策略
# 定期保存
if epoch % save_interval == 0:
    save_checkpoint(...)

# 保存最佳模型
if test_acc > best_acc:
    best_acc = test_acc
    save_checkpoint(...)

4. 加载检查点
checkpoint = torch.load('checkpoints/best_model.pth')
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])

在实际训练中，checkpoints特别重要，因为：

1. 深度学习训练耗时长，中断后可以继续
2. 可以保存多个阶段的模型进行对比
3. 在最佳性能点保存模型，用于后续应用
4. 作为模型分享和部署的标准格式