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，主要是自己寫代碼的經驗以及論壇PyTorch Forums上的一些回答的總結整理。

直接加載預訓練模型

如果我們使用的模型和原模型完全一樣，那么我們可以直接加載別人訓練好的模型：

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

當然這樣的加載方法是基于PyTorch推薦的存儲模型的方法：

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

還有第二種加載方法：

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

加載部分預訓練模型

其實大多數時候我們需要根據我們的任務調節(jié)我們的模型，所以很難保證模型和公開的模型完全一樣，但是預訓練模型的參數確實有助于提高訓練的準確率，為了結合二者的優(yōu)點，就需要我們加載部分預訓練模型。

pretrained_dict = model_zoo.load_url(model_urls['resnet152'])
model_dict = model.state_dict()
# 將pretrained_dict里不屬于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)
# 加載我們真正需要的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最后一層的名字是fc(PyTorch中)，那么我們修改過的resnet的最后一層就不能取這個名字，可以叫fc_

微改基礎模型預訓練

對于改動比較大的模型，我們可能需要自己實現一下再加載別人的預訓練參數。但是，對于一些基本模型PyTorch中已經有了，而且我只想進行一些小的改動那么怎么辦呢？難道我又去實現一遍嗎？當然不是。

我們首先看看怎么進行微改模型。

微改基礎模型

PyTorch中的torchvision里已經有很多常用的模型了，可以直接調用：

• AlexNet
• VGG
• ResNet
• SqueezeNet
• DenseNet

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

但是對于我們的任務而言有些層并不是直接能用，需要我們微微改一下，比如，resnet最后的全連接層是分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，那么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中調用基本模型，加載預訓練模型，然后，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參數，會直接加載預訓練模型，內部實現和前文提到的加載預訓練的方法一樣。因為是先加載的預訓練參數，相當于模型中已經有參數了，所以替換掉最后一層即可。OK！

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

最新評論