以下是保存编码器解码器模型的示例代码：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义编码器解码器模型
class EncoderDecoderModel(nn.Module):
    def __init__(self):
        super(EncoderDecoderModel, self).__init__()
        self.encoder = nn.Linear(10, 20)
        self.decoder = nn.Linear(20, 10)

    def forward(self, x):
        x = self.encoder(x)
        x = self.decoder(x)
        return x

# 创建模型实例
model = EncoderDecoderModel()

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练模型（假设有训练数据）
input_data = torch.randn(100, 10)
target_data = torch.randn(100, 10)
for epoch in range(10):
    optimizer.zero_grad()
    output = model(input_data)
    loss = criterion(output, target_data)
    loss.backward()
    optimizer.step()

# 保存模型
torch.save(model.state_dict(), 'encoder_decoder_model.pth')

# 加载模型
new_model = EncoderDecoderModel()
new_model.load_state_dict(torch.load('encoder_decoder_model.pth'))

在上面的代码中，我们定义了一个简单的编码器解码器模型EncoderDecoderModel，包含一个线性编码器和一个线性解码器。我们使用MSE损失函数和Adam优化器进行训练，并保存模型的状态字典（即模型的参数）为encoder_decoder_model.pth文件。然后，我们可以使用torch.load()函数加载保存的模型参数，并创建一个新的模型实例new_model。