欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

pytorch 預(yù)訓(xùn)練模型讀取修改相關(guān)參數(shù)的填坑問題

 更新時間：2021年06月05日 10:32:39   作者：DRACO于  
這篇文章主要介紹了pytorch 預(yù)訓(xùn)練模型讀取修改相關(guān)參數(shù)的填坑問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教

pytorch 預(yù)訓(xùn)練模型讀取修改相關(guān)參數(shù)的填坑

修改部分層，仍然調(diào)用之前的模型參數(shù)。

resnet = resnet50(pretrained=False)
resnet.load_state_dict(torch.load(args.predir))
 
res_conv31 = Bottleneck_dilated(1024, 256,dilated_rate = 2)
print("---------------------",res_conv31)
print("---------------------",resnet.layer3[1])
 
res_conv31.load_state_dict(resnet.layer3[1].state_dict())

網(wǎng)絡(luò)預(yù)訓(xùn)練模型與之前的模型對應(yīng)不上，名稱差個前綴

model_dict = model.state_dict()
# print(model_dict)
pretrained_dict = torch.load("/yzc/reid_testpcb/se_resnet50-ce0d4300.pth")
keys = []
for k, v in pretrained_dict.items():
       keys.append(k)
i = 0
for k, v in model_dict.items():
    if v.size() == pretrained_dict[keys[i]].size():
         model_dict[k] = pretrained_dict[keys[i]]
         #print(model_dict[k])
         i = i + 1
model.load_state_dict(model_dict)

最后是修改參數(shù)名拿來用的，

from collections import OrderedDict
pretrained_dict = torch.load('premodel')
 
new_state_dict = OrderedDict()
 
# for k, v in mgn_state_dict.items():
#     name = k[7:]  # remove `module.`
#     new_state_dict[name] = v
# self.model = self.model.load_state_dict(new_state_dict)
 
for k, v in pretrained_dict.items():
    name = "model.module."+k   # remove `module.`
    # print(name)
    new_state_dict[name] = v
self.model.load_state_dict(new_state_dict)

pytorch：加載預(yù)訓(xùn)練模型中的部分參數(shù)，并固定該部分參數(shù)(真實有效)

大家在學(xué)習(xí)pytorch時，可能想利用pytorch進(jìn)行fine-tune,但是又煩惱于參數(shù)的加載問題。下面我將講訴我的使用心得。

Step1: 加載預(yù)訓(xùn)練模型,并去除需要再次訓(xùn)練的層

#注意：需要重新訓(xùn)練的層的名字要和之前的不同。
model=resnet()#自己構(gòu)建的模型，以resnet為例
model_dict = model.state_dict()
pretrained_dict = torch.load('xxx.pkl')
pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}
model_dict.update(pretrained_dict)
model.load_state_dict(model_dict)

Step2：固定部分參數(shù)

#k是可訓(xùn)練參數(shù)的名字，v是包含可訓(xùn)練參數(shù)的一個實體
#可以先print（k）,找到自己想進(jìn)行調(diào)整的層，并將該層的名字加入到if語句中：
for k,v in model.named_parameters():
    if k!='xxx.weight' and k!='xxx.bias' :
        v.requires_grad=False#固定參數(shù)

Step3：訓(xùn)練部分參數(shù)

#將要訓(xùn)練的參數(shù)放入優(yōu)化器
optimizer2=torch.optim.Adam(params=[model.xxx.weight，model.xxx.bias],lr=learning_rate,betas=(0.9,0.999),weight_decay=1e-5)

Step4：檢查部分參數(shù)是否固定

debug之后，程序正常運行，最好檢查一下網(wǎng)絡(luò)的參數(shù)是否真的被固定了，如何沒固定，網(wǎng)絡(luò)的狀態(tài)接近于重新訓(xùn)練，可能會導(dǎo)致網(wǎng)絡(luò)性能不穩(wěn)定，也沒辦法得到想要得到的性能提升。

for k,v in model.named_parameters():
   if k!='xxx.weight' and k!='xxx.bias' :
   print(v.requires_grad)#理想狀態(tài)下，所有值都是False

需要注意的是，操作失誤最大的影響是，loss函數(shù)幾乎不會發(fā)生變化，一直處于最開始的狀態(tài)，這很可能是因為所有參數(shù)都被固定了。

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。

相關(guān)文章

最新評論