pytorch 模型加載與保存

pytorch的模型和參數是分開的，可以分別保存或加載模型和參數。

pytorch有兩種模型保存方式：
一、保存整個神經網絡的的結構信息和模型參數信息，save的對象是網絡net

二、只保存神經網絡的訓練模型參數，save的對象是net.state_dict()

對應兩種保存模型的方式，pytorch也有兩種加載模型的方式。對應第一種保存方式，加載模型時通過torch.load('.pth')直接初始化新的神經網絡對象；對應第二種保存方式，需要首先導入對應的網絡，再通過net.load_state_dict(torch.load('.pth'))完成模型參數的加載。

在網絡比較大的時候，第一種方法會花費較多的時間。

1. 直接加載模型和參數
加載別人訓練好的模型：

# 保存和加載整個模型
torch.save(model_object, 'resnet.pth')
model = torch.load('resnet.pth')
2. 分別加載網絡的結構和參數
# 將my_resnet模型儲存為my_resnet.pth
torch.save(my_resnet.state_dict(), "my_resnet.pth")
# 加載resnet，模型存放在my_resnet.pth
my_resnet.load_state_dict(torch.load("my_resnet.pth"))
其中my_resnet是my_resnet.pth對應的網絡結構。

3. pytorch預訓練模型
1）加載預訓練模型和參數

resnet18 = models.resnet18(pretrained=True)
這里是直接調用pytorch中的常用模型

# PyTorch中的torchvision里有很多常用的模型，可以直接調用：
import torchvision.models as models

resnet101 = models.resnet18()
alexnet = models.alexnet()
squeezenet = models.squeezenet1_0()
densenet = models.densenet_161()
 2）只加載模型，不加載預訓練參數

# 導入模型結構
resnet18 = models.resnet18(pretrained=False)
# 加載預先下載好的預訓練參數到resnet18
resnet18.load_state_dict(torch.load('resnet18-5c106cde.pth'))
3）加載部分預訓練模型

resnet152 = models.resnet152(pretrained=True)
pretrained_dict = resnet152.state_dict()
"""加載torchvision中的預訓練模型和參數后通過state_dict()方法提取參數
也可以直接從官方model_zoo下載：
pretrained_dict = model_zoo.load_url(model_urls['resnet152'])"""
model_dict = model.state_dict()
# 將pretrained_dict里不屬於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)