使用了一段時間PyTorch，感覺愛不釋手（0-0），聽說現在已經有C++接口。在應用過程中不可避免需要使用Finetune/參數初始化/模型加載等。
模型保存/加載
1.所有模型參數
訓練過程中，有時候會由於各種原因停止訓練，這時候我們訓練過程中就需要注意將每一輪epoch的模型保存(一般保存最好模型與當前輪模型)。一般使用pytorch里面推薦的保存方法。該方法保存的是模型的參數。
#保存模型到checkpoint.pth.tar torch.save(model.module.state_dict(), ‘checkpoint.pth.tar’)對應的加載模型方法為(這種方法需要先反序列化模型獲取參數字典，因此必須先load模型，再load_state_dict)：
mymodel.load_state_dict(torch.load(‘checkpoint.pth.tar’))有了上面的保存后，現以一個例子說明如何在inference AND/OR resume train使用。
#保存模型的狀態，可以設置一些參數，后續可以使用 state = {'epoch': epoch + 1,#保存的當前輪數 'state_dict': mymodel.state_dict(),#訓練好的參數 'optimizer': optimizer.state_dict(),#優化器參數,為了后續的resume 'best_pred': best_pred#當前最好的精度 ,....,...} #保存模型到checkpoint.pth.tar torch.save(state, ‘checkpoint.pth.tar’) #如果是best,則復制過去 if is_best: shutil.copyfile(filename, directory + 'model_best.pth.tar') checkpoint = torch.load('model_best.pth.tar') model.load_state_dict(checkpoint['state_dict'])#模型參數 optimizer.load_state_dict(checkpoint['optimizer'])#優化參數 epoch = checkpoint['epoch']#epoch，可以用於更新學習率等 #有了以上的東西，就可以繼續重新訓練了，也就不需要擔心停止程序重新訓練。 train/eval .... ....上面是pytorch建議使用的方法，當然還有第二種方法。這種方法靈活性不高，不推薦。
#保存 torch.save(mymodel,‘checkpoint.pth.tar’) #加載 mymodel = torch.load(‘checkpoint.pth.tar’)2.部分模型參數
在很多時候，我們加載的是已經訓練好的模型，而訓練好的模型可能與我們定義的模型不完全一樣，而我們只想使用一樣的那些層的參數。
有幾種解決方法：
（1）直接在訓練好的模型開始搭建自己的模型，就是先加載訓練好的模型，然后再它基礎上定義自己的模型；
model_ft = models.resnet18(pretrained=use_pretrained) self.conv1 = model_ft.conv1 self.bn = model_ft.bn ... ...(2) 自己定義好模型，直接加載模型
#第一種方法： mymodelB = TheModelBClass(*args, **kwargs) # strict=False，設置為false,只保留鍵值相同的參數 mymodelB.load_state_dict(model_zoo.load_url(model_urls['resnet18']), strict=False) #第二種方法： # 加載模型 model_pretrained = models.resnet18(pretrained=use_pretrained) # mymodel's state_dict， # 如： conv1.weight # conv1.bias mymodelB_dict = mymodelB.state_dict() # 將model_pretrained的建與自定義模型的建進行比較，剔除不同的 pretrained_dict = {k: v for k, v in model_pretrained.items() if k in mymodelB_dict} # 更新現有的model_dict mymodelB_dict.update(pretrained_dict) # 加載我們真正需要的state_dict mymodelB.load_state_dict(mymodelB_dict) # 方法2可能更直觀一些參數初始化
第二個問題是參數初始化問題，在很多代碼里面都會使用到，畢竟不是所有的都是有預訓練參數。這時就需要對不是與預訓練參數進行初始化。pytorch里面的每個Tensor其實是對Variabl的封裝，其包含data、grad等接口，因此可以用這些接口直接賦值。這里也提供了怎樣把其他框架(caffe/tensorflow/mxnet/gluonCV等)訓練好的模型參數直接賦值給pytorch.其實就是對data直接賦值。
pytorch提供了初始化參數的方法：
def weight_init(m): if isinstance(m,nn.Conv2d): n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels m.weight.data.normal_(0,math.sqrt(2./n)) elif isinstance(m,nn.BatchNorm2d): m.weight.data.fill_(1) m.bias.data.zero_()但一般如果沒有很大需求初始化參數，也沒有問題(不確定性能是否有影響的情況下)，pytorch內部是有默認初始化參數的。
Fintune
最后就是精調了，我們平時做實驗，至少backbone是用預訓練的模型，將其用作特征提取器，或者在它上面做精調。
用於特征提取的時候，要求特征提取部分參數不進行學習，而pytorch提供了requires_grad參數用於確定是否進去梯度計算，也即是否更新參數。以下以minist為例，用resnet18作特征提取：
#加載預訓練模型 model = torchvision.models.resnet18(pretrained=True) #遍歷每一個參數，將其設置為不更新參數，即不學習 for param in model.parameters(): param.requires_grad = False # 將全連接層改為mnist所需的10類，注意：這樣更改后requires_grad默認為True model.fc = nn.Linear(512, 10) # 優化 optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9) 用於全局精調時，我們一般對不同的層需要設置不同的學習率，預訓練的層學習率小一點，其他層大一點。這要怎么做呢？
# 加載預訓練模型 model = torchvision.models.resnet18(pretrained=True) model.fc = nn.Linear(512, 10) # 參考：https://blog.csdn.net/u012759136/article/details/65634477 ignored_params = list(map(id, model.fc.parameters())) base_params = filter(lambda p: id(p) not in ignored_params, model.parameters()) # 對不同參數設置不同的學習率 params_list = [{'params': base_params, 'lr': 0.001},] params_list.append({'params': model.fc.parameters(), 'lr': 0.01}) optimizer = torch.optim.SGD(params_list, 0.001， momentum=args.momentum, weight_decay=args.weight_decay)最后整理一下目前，pytorch預訓練的基礎模型：
（1）torchvision
torchvision里面已經提供了不同的預訓練模型，一般也夠用了。
包含了alexnet/densenet各種版本(densenet121/densenet169/densenet201/densenet161)/inception_v3/resnet各種版本(resnet18', 'resnet34', 'resnet50', 'resnet101','resnet152')/SqueezeNet各種版本( 'squeezenet1_0', 'squeezenet1_1')/VGG各種版本( 'vgg11', 'vgg11_bn', 'vgg13', 'vgg13_bn', 'vgg16', 'vgg16_bn','vgg19_bn', 'vgg19')
(2)其他預訓練好的模型，如，SENet/NASNet等。
Cadene/pretrained-models.pytorch
(3)gluonCV轉pytorch的模型，包括，分類網絡，分割網絡等，這里的精度均比其他框架高幾個百分點。
