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_dictmodel_dict.update(pretrained_dict)# 加載我們真正需要的state_dictmodel.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 modelsresnet18 = 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)