按照官方课程完成线性回归预测的模型，并成功保存

以下是官方课程给出的单个测试数据预测代码成功可用

def load_one_example(data_dir):
f = open(data_dir, 'r')
datas = f.readlines()
# 选择倒数第10条数据用于测试
tmp = datas[-10]
tmp
tmp = tmp.strip().split()
one_data = [float(v) for v in tmp]

# 对数据进行归一化处理
for i in range(len(one_data)-1):
one_data[i] = (one_data[i] - avg_values[i]) / (max_values[i] - min_values[i])

data = np.reshape(np.array(one_data[:-1]), [1, -1]).astype(np.float32)
label = one_data[-1]
return data, label

with dygraph.guard():
# 参数为保存模型参数的文件地址
model_dict, _ = fluid.load_dygraph('LR_model')
model.load_dict(model_dict)
model.eval()

# 参数为数据集的文件地址
test_data, label = load_one_example('./work/housing.data')
# 将数据转为动态图的variable格式
test_data = dygraph.to_variable(test_data)
results = model(test_data)

# 对结果做反归一化处理
results = results * (max_values[-1] - min_values[-1]) + avg_values[-1]
print("Inference result is {}, the corresponding label is {}".format(results.numpy(), label))

我的问题是，怎样才能不要每次运行预测代码都重新训练一遍模型？如何在已有模型的基础上直接进行批量预测，并画出预测--真实的对比折线图？我找了许多方法都没有成功，希望得到帮助，本人对于paddle框架以及python矩阵操作不熟练，最好能给出代码更方便理解。谢谢！