[Pytorch]Pytorch加载预训练模型(转）

转自：https://blog.csdn.net/Vivianyzw/article/details/81061765

东风的地方

1. 直接加载预训练模型

在训练的时候可能需要中断一下，然后继续训练，也就是简单的从保存的模型中加载参数权重：

net = SNet()





net.load_state_dict(torch.load("model_1599.pkl"))

这种方式是针对于之前保存模型时以保存参数的格式使用的：

torch.save(net.state_dict(), "model/model_1599.pkl")

pytorch官网更推荐上述模型保存方法，也据说这种方式比下一种更快一点。

下面介绍第二种模型保存和加载的方式：

net = SNet()





torch.save(net, "model_1599.pkl")





 





snet = torch.load("model_1599.pkl")

这种方式会将整个网络保存下来，数据量会更大，会消耗更多的时间，占用内存也更高。

2. 加载一部分预训练模型

模型可能是一些经典的模型改掉一部分，比如一般算法中提取特征的网络常见的会直接使用vgg16的features extraction部分，也就是在训练的时候可以直接加载已经在imagenet上训练好的预训练参数，这种方式实现如下：

net = SNet()





model_dict = net.state_dict()





 





vgg16 = models.vgg16(pretrained=True)





pretrained_dict = vgg16.state_dict()





pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}





 





model_dict.update(pretrained_dict)





net.load_state_dict(model_dict)

也就是在网络中state_dict部分，属于vgg16的，替换成vgg16预训练模型里的参数（代码里的k:v for k,v in pretrained_dict.items() if k in model_dict），其他保持不变。

3. 微调经典网络

因为pytorch中的torchvision给出了很多经典常用模型，并附加了预训练模型。利用好这些训练好的基础网络可以加快不少自己的训练速度。

首先比如加载vgg16（带有预训练参数的形式）：

import torchvision.models as models





vgg16 = models.vgg16(pretrained=True)

比如，网络第一层本来是Conv2d(3, 64, 3, 1, 1)，想修改成Conv2d(4, 64, 3, 1 ,1)，那直接赋值就可以了：

import torch.nn as nn





vgg16.features[0]=nn.Conv2d(4, 64, 3, 1, 1)

4. 修改经典网络

这个比上面微调修改的地方要多一些，但是想介绍一下这样的修改方式。

先简单介绍一下我需要需改的部分，在vgg16的基础模型下，每一个卷积都要加一个dropout层，并将ReLU激活函数换成PReLU，最后两层的Pooling层stride改成1。直接上代码：

def feature_layer():





    layers = []





    pool1 = ['4', '9', '16']





    pool2 = ['23', '30']





    vgg16 = models.vgg16(pretrained=True).features





    for name, layer in vgg16._modules.items():





        if isinstance(layer, nn.Conv2d):





            layers += [layer, nn.Dropout2d(0.5), nn.PReLU()]





        elif name in pool1:





            layers += [layer]





        elif name == pool2[0]:





            layers += [nn.MaxPool2d(2, 1, 1)]





        elif name == pool2[1]:





            layers += [nn.MaxPool2d(2, 1, 0)]





        else:





            continue





    features = nn.Sequential(*layers)





    #feat3 = features[0:24]





    return features

大概的思路就是，创建一个新的网络（layers列表）, 遍历vgg16里每一层，如果遇到卷积层（if isinstance(layer, nn.Conv2d）就先把该层（Conv2d）保持原样加进去，随后增加一个dropout层，再加一个PReLU层。然后如果遇到最后两层pool，就修改响应参数加进去，其他的pool正常加载。 最后将这个layers列表转成网络的nn.Sequential的形式，最后返回features。然后再你的新的网络层就可以用以下方式来加载：

class SNet(nn.Module):





    def __init__(self):





        super(SNet, self).__init__()





        self.features = feature_layer()





    def forward(self, x):





        x = self.features(x)





        return x