前言

自從從深度學習框架caffe轉到Pytorch之後，感覺Pytorch的優點妙不可言，各種設計簡潔，方便研究網路結構修改，容易上手，比TensorFlow的臃腫好多了。對於深度學習的初學者，Pytorch值得推薦。今天主要主要談談Pytorch是如何載入預訓練模型的引數以及程式碼的實現過程。

直接載入預選臉模型

如果我們使用的模型和預訓練模型完全一樣，那麼我們就可以直接載入別人的模型，還有一種情況，我們在訓練自己模型的過程中，突然中斷了，但只要我們儲存了之前的模型的引數也可以使用下面的程式碼直接載入我們儲存的模型繼續訓練，不用從頭開始。

model=DPN(*args, **kwargs)
model.load_state_dict(torch.load("DPN.pth"))
 

這樣的載入方式是基於Pytorch使用的模型儲存方法：

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

其實大多數時候我們根據自己的任物所提出的模型是在一些公開模型的基礎上改變而來，其中公開模型的引數我們沒有必要在從頭開始訓練，只要載入其訓練好的模型引數即可，這樣有助於提高訓練的準確率和我們模型的泛化能力。

 model = DPN(num_init_features=64, k_R=96, G=32, k_sec=(3,4,20,3), inc_sec=(16,32,24,128), num_classes=1,decoder=args.decoder)
 http = {'url': 'http://data.lip6.fr/cadene/pretrainedmodels/dpn92_extra-b040e4a9b.pth'}
 pretrained_dict=model_zoo.load_url(http['url'])
 model_dict = model.state_dict()
 pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}#filter out unnecessary keys 
 model_dict.update(pretrained_dict)
 model.load_state_dict(model_dict)
 model = torch.nn.DataParallel(model).cuda()
 

因為需要刪除預訓練模型中不匹配的的鍵，也就是層的名字。