PyTorch 模型不适合自己怎么办？预训练教程在这里

前言

最近使用 PyTorch 感觉妙不可言，有种当初使用 Keras 的快感，而且速度还不慢。各种设计直接简洁，方便研究，比 tensorflow 的臃肿好多了。今天让我们来谈谈 PyTorch 的预训练，主要是自己写代码的经验以及论坛PyTorch Forums上的一些回答的总结整理。

直接加载预训练模型

如果我们使用的模型和原模型完全一样，那么我们可以直接加载别人训练好的模型：

my_resnet = MyResNet(*args, **kwargs)

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

当然这样的加载方法是基于 PyTorch 推荐的存储模型的方法：

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

还有第二种加载方法：

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

加载部分预训练模型

其实大多数时候我们需要根据我们的任务调节我们的模型，所以很难保证模型和公开的模型完全一样，但是预训练模型的参数确实有助于提高训练的准确率，为了结合二者的优点，就需要我们加载部分预训练模型。

pretrained_dict = model_zoo.load_url(model_urls[ resnet152 ])

model_dict = model.state_dict()

# 将 pretrained_dict 里不属于 model_dict 的键剔除掉

pretrained_dict =

# 更新现有的 model_dict

model_dict.update(pretrained_dict)

# 加载我们真正需要的 state_dict

model.load_state_dict(model_dict)

因为需要剔除原模型中不匹配的键，也就是层的名字，所以我们的新模型改变了的层需要和原模型对应层的名字不一样，比如：resnet 最后一层的名字是 fc(PyTorch 中)，那么我们修改过的 resnet 的最后一层就不能取这个名字，可以叫 fc_

微改基础模型预训练

对于改动比较大的模型，我们可能需要自己实现一下再加载别人的预训练参数。但是，对于一些基本模型 PyTorch 中已经有了，而且我只想进行一些小的改动那么怎么办呢？难道我又去实现一遍吗？当然不是。

我们首先看看怎么进行微改模型。

微改基础模型

PyTorch 中的 torchvision 里已经有很多常用的模型了，可以直接调用：

AlexNet

VGG

ResNet

SqueezeNet

DenseNet

import torchvision.models as models

resnet18 = models.resnet18()

alexnet = models.alexnet()

squeezenet = models.squeezenet1_0()

densenet = models.densenet_161()

但是对于我们的任务而言有些层并不是直接能用，需要我们微微改一下，比如，resnet 最后的全连接层是分 1000 类，而我们只有 21 类；又比如，resnet 第一层卷积接收的通道是 3， 我们可能输入图片的通道是 4，那么可以通过以下方法修改：

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

resnet.fc = nn.Linear(2048, 21)

简单预训练

模型已经改完了，接下来我们就进行简单预训练吧。

我们先从 torchvision 中调用基本模型，加载预训练模型，然后，重点来了，将其中的层直接替换为我们需要的层即可：

# 原本为 1000 类，改为 10 类

resnet.fc = torch.nn.Linear(2048, 10)

其中使用了 pretrained 参数，会直接加载预训练模型，内部实现和前文提到的加载预训练的方法一样。因为是先加载的预训练参数，相当于模型中已经有参数了，所以替换掉最后一层即可。OK！

AI研习社按：本文作者ycszen，文章原载于作者的知乎专栏。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！