前言

最近使用PyTorch感覺妙不可言，有種當初使用Keras的快感，而且速度還不慢。各種設計直接簡潔，方便研究，比tensorflow的臃腫好多了。今天讓我們來談談PyTorch的預訓練，主要是自己寫程式碼的經驗以及論壇PyTorch Forums上的一些回答的總結整理。

直接載入預訓練模型

如果我們使用的模型和原模型完全一樣，那麼我們可以直接載入別人訓練好的模型：

my_resnet = MyResNet(*args,**kwargs)
my_resnet.load_state_dict(torch.load("my_resnet.pth"))

當然這樣的載入方法是基於PyTorch推薦的儲存模型的方法：

torch.save(my_resnet.state_dict(),"my_resnet.pth")

還有第二種載入方法：

my_resnet = torch.load("my_resnet.pth")

載入部分預訓練模型

其實大多數時候我們需要根據我們的任務調節我們的模型，所以很難保證模型和公開的模型完全一樣，但是預訓練模型的引數確實有助於提高訓練的準確率，為了結合二者的優點，就需要我們載入部分預訓練模型。

pretrained_dict = model_zoo.load_url(model_urls['resnet152'])
model_dict = model.state_dict()
# 將pretrained_dict裡不屬於model_dict的鍵剔除掉
pretrained_dict = {k: v for k,v in pretrained_dict.items() if k in model_dict}
# 更新現有的model_dict
model_dict.update(pretrained_dict)
# 載入我們真正需要的state_dict
model.load_state_dict(model_dict)

因為需要剔除原模型中不匹配的鍵，也就是層的名字，所以我們的新模型改變了的層需要和原模型對應層的名字不一樣，比如：resnet最後一層的名字是fc(PyTorch中)，那麼我們修改過的resnet的最後一層就不能取這個名字，可以叫fc_

微改基礎模型預訓練

對於改動比較大的模型，我們可能需要自己實現一下再載入別人的預訓練引數。但是，對於一些基本模型PyTorch中已經有了，而且我只想進行一些小的改動那麼怎麼辦呢？難道我又去實現一遍嗎？當然不是。

我們首先看看怎麼進行微改模型。

微改基礎模型

PyTorch中的torchvision裡已經有很多常用的模型了，可以直接呼叫：

• AlexNet
• VGG
• ResNet
• SqueezeNet
• DenseNet

import torchvision.models as models
resnet18 = models.resnet18()
alexnet = models.alexnet()
squeezenet = models.squeezenet1_0()
densenet = models.densenet_161()

但是對於我們的任務而言有些層並不是直接能用，需要我們微微改一下，比如，resnet最後的全連線層是分1000類，而我們只有21類；又比如，resnet第一層卷積接收的通道是3， 我們可能輸入圖片的通道是4，那麼可以通過以下方法修改：

resnet.conv1 = nn.Conv2d(4,64,kernel_size=7,stride=2,padding=3,bias=False)
resnet.fc = nn.Linear(2048,21)

簡單預訓練

模型已經改完了，接下來我們就進行簡單預訓練吧。
我們先從torchvision中呼叫基本模型，載入預訓練模型，然後，重點來了，將其中的層直接替換為我們需要的層即可：

resnet = torchvision.models.resnet152(pretrained=True)
# 原本為1000類，改為10類
resnet.fc = torch.nn.Linear(2048,10)

其中使用了pretrained引數，會直接載入預訓練模型，內部實現和前文提到的載入預訓練的方法一樣。因為是先載入的預訓練引數，相當於模型中已經有引數了，所以替換掉最後一層即可。OK！

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。