保存并提取特征用于将来训练深度学习的最佳方法通常涉及以下步骤：

1. 准备数据集：首先，准备一个大型数据集，包含需要提取特征的样本。数据集可以包括图像、音频、文本等。

2. 加载预训练模型：选择一个已经在大规模数据集上预训练好的深度学习模型，如ResNet、VGG、BERT等。加载该模型，并将其设置为预测模式。

import torch
import torchvision.models as models

# 加载预训练模型
model = models.resnet50(pretrained=True)
model.eval()

3. 提取特征：使用加载的预训练模型对数据集进行特征提取。对于图像数据集，可以通过将图像传递给模型并获取模型的某一层输出来提取特征。对于文本数据集，可以使用模型的嵌入层来获取特征。

import torch
import torchvision.transforms as transforms
from PIL import Image

# 预处理图像
preprocess = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

# 加载和预处理图像
image = Image.open('image.jpg')
image = preprocess(image).unsqueeze(0)

# 提取特征
with torch.no_grad():
    features = model(image)

4. 保存特征：将提取的特征保存到磁盘以备将来使用。

# 保存特征
torch.save(features, 'features.pt')

5. 加载和训练特征：在将来的训练过程中，加载保存的特征，并将其用作输入进行深度学习模型的训练。

# 加载保存的特征
features = torch.load('features.pt')

# 使用特征进行训练
# ...

通过以上步骤，你可以将深度学习模型用于提取特征，并将这些特征保存下来以备将来使用。在将来的训练过程中，你只需要加载这些特征，而不是重新计算它们，从而节省计算资源和时间。