一、模型保存/加载
1.1 所有模型参数
训练过程中，有时候会由于各种原因停止训练，这时候我们训练过程中就需要注意将每一轮epoch的模型保存(一般保存最好模型与当前轮模型)。一般使用pytorch里面推荐的保存方法。该方法保存的是模型的参数。
#保存模型到checkpoint.pth.tar torch.save(model.module.state_dict(), ‘checkpoint.pth.tar’)
对应的加载模型方法为(这种方法需要先反序列化模型获取参数字典，因此必须先load模型，再load_state_dict)：
mymodel.load_state_dict(torch.load(‘checkpoint.pth.tar’))
有了上面的保存后，现以一个例子说明如何在inference AND/OR resume train使用。
#保存模型的状态，可以设置一些参数，后续可以使用 state = {'epoch': epoch + 1,#保存的当前轮数 'state_dict': mymodel.state_dict(),#训练好的参数 'optimizer': optimizer.state_dict(),#优化器参数,为了后续的resume 'best_pred': best_pred#当前最好的精度 ,....,...} #保存模型到checkpoint.pth.tar torch.save(state, ‘checkpoint.pth.tar’) #如果是best,则复制过去 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'])#模型参数 optimizer.load_state_dict(checkpoint['optimizer'])#优化参数 epoch = checkpoint['epoch']#epoch，可以用于更新学习率等 #有了以上的东西，就可以继续重新训练了，也就不需要担心停止程序重新训练。 train/eval .... ....
1.2 部分模型参数
在很多时候，我们加载的是已经训练好的模型，而训练好的模型可能与我们定义的模型不完全一样，而我们只想使用一样的那些层的参数。
有几种解决方法：
（1）直接在训练好的模型开始搭建自己的模型，就是先加载训练好的模型，然后再它基础上定义自己的模型；
model_ft = models.resnet18(pretrained=use_pretrained) self.conv1 = model_ft.conv1 self.bn = model_ft.bn ... ...
（2) 自己定义好模型，直接加载模型
#第一种方法： mymodelB = TheModelBClass(*args, **kwargs) # strict=False，设置为false,只保留键值相同的参数 mymodelB.load_state_dict(model_zoo.load_url(model_urls['resnet18']), strict=False) #第二种方法： # 加载模型 model_pretrained = models.resnet18(pretrained=use_pretrained) # mymodel's state_dict， # 如： conv1.weight # conv1.bias mymodelB_dict = mymodelB.state_dict() # 将model_pretrained的建与自定义模型的建进行比较，剔除不同的 pretrained_dict = {k: v for k, v in model_pretrained.items() if k in mymodelB_dict} # 更新现有的model_dict mymodelB_dict.update(pretrained_dict) # 加载我们真正需要的state_dict mymodelB.load_state_dict(mymodelB_dict) # 方法2可能更直观一些
二、参数初始化
第二个问题是参数初始化问题，在很多代码里面都会使用到，毕竟不是所有的都是有预训练参数。这时就需要对不是与预训练参数进行初始化。pytorch里面的每个Tensor其实是对Variabl的封装，其包含data、grad等接口，因此可以用这些接口直接赋值。这里也提供了怎样把其他框架(caffe/tensorflow/mxnet/gluonCV等)训练好的模型参数直接赋值给pytorch.其实就是对data直接赋值。
pytorch提供了初始化参数的方法：
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_()
但一般如果没有很大需求初始化参数，也没有问题(不确定性能是否有影响的情况下)，pytorch内部是有默认初始化参数的。
三、模型微调/Finetune
最后是微调，平时做实验，至少backbone是用预训练的模型，将其用作特征提取器，或者在它上面做微调。
用于特征提取的时候，要求特征提取部分参数不进行学习，而pytorch提供了requires_grad参数用于确定是否进去梯度计算，也即是否更新参数。以下以minist为例，用resnet18作特征提取：
#加载预训练模型 model = torchvision.models.resnet18(pretrained=True) #遍历每一个参数，将其设置为不更新参数，即不学习 for param in model.parameters(): param.requires_grad = False # 将全连接层改为mnist所需的10类，注意：这样更改后requires_grad默认为True model.fc = nn.Linear(512, 10) # 优化 optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)
用于全局微调时，我们一般对不同的层需要设置不同的学习率，预训练的层学习率小一点，其他层大一点。这要怎么做呢？
# 加载预训练模型 model = torchvision.models.resnet18(pretrained=True) model.fc = nn.Linear(512, 10) # 参考：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()) # 对不同参数设置不同的学习率 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)
参考：
