pytorch中的pre-train函数模型或者旧的模型的引用及修改（增减网络层，修改某层参数等） finetune微调等

一、pytorch中的pre-train模型

卷积神经网络的训练是耗时的，很多场合不可能每次都从随机初始化参数开始训练网络。

pytorch中自带几种常用的深度学习网络预训练模型，如VGG、ResNet等。往往为了加快学习的进度，在训练的初期我们直接加载pre-train模型中预先训练好的参数，model的加载如下所示：

[python] view
plain copy

import torchvision.models as models  

  

#resnet  

model = models.ResNet(pretrained=True)  

model = models.resnet18(pretrained=True)  

model = models.resnet34(pretrained=True)  

model = models.resnet50(pretrained=True)  

  

#vgg  

model = models.VGG(pretrained=True)  

model = models.vgg11(pretrained=True)  

model = models.vgg16(pretrained=True)  

model = models.vgg16_bn(pretrained=True)  

二、预训练模型的修改

1.参数修改
对于简单的参数修改，这里以resnet预训练模型举例，resnet源代码在Github点击打开链接。

resnet网络最后一层分类层fc是对1000种类型进行划分，对于自己的数据集，如果只有9类，修改的代码如下：

[python] view
plain copy

# coding=UTF-8  

import torchvision.models as models  

  

#调用模型  

model = models.resnet50(pretrained=True)  

#提取fc层中固定的参数  

fc_features = model.fc.in_features  

#修改类别为9  

model.fc = nn.Linear(fc_features, 9)  

2.增减卷积层

前一种方法只适用于简单的参数修改，有的时候我们往往要修改网络中的层次结构，这时只能用参数覆盖的方法，即自己先定义一个类似的网络，再将预训练中的参数提取到自己的网络中来。这里以resnet预训练模型举例。

[python] view
plain copy

# coding=UTF-8  

import torchvision.models as models  

import torch  

import torch.nn as nn  

import math  

import torch.utils.model_zoo as model_zoo  

  

class CNN(nn.Module):  

  

    def __init__(self, block, layers, num_classes=9):  

        self.inplanes = 64  

        super(ResNet, self).__init__()  

        self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3,  

                               bias=False)  

        self.bn1 = nn.BatchNorm2d(64)  

        self.relu = nn.ReLU(inplace=True)  

        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)  

        self.layer1 = self._make_layer(block, 64, layers[0])  

        self.layer2 = self._make_layer(block, 128, layers[1], stride=2)  

        self.layer3 = self._make_layer(block, 256, layers[2], stride=2)  

        self.layer4 = self._make_layer(block, 512, layers[3], stride=2)  

        self.avgpool = nn.AvgPool2d(7, stride=1)  

        #新增一个反卷积层  

        self.convtranspose1 = nn.ConvTranspose2d(2048, 2048, kernel_size=3, stride=1, padding=1, output_padding=0, groups=1, bias=False, dilation=1)  

        #新增一个最大池化层  

        self.maxpool2 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)  

        #去掉原来的fc层，新增一个fclass层  

        self.fclass = nn.Linear(2048, num_classes)  

  

        for m in self.modules():  

            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_()  

  

    def _make_layer(self, block, planes, blocks, stride=1):  

        downsample = None  

        if stride != 1 or self.inplanes != planes * block.expansion:  

            downsample = nn.Sequential(  

                nn.Conv2d(self.inplanes, planes * block.expansion,  

                          kernel_size=1, stride=stride, bias=False),  

                nn.BatchNorm2d(planes * block.expansion),  

            )  

  

        layers = []  

        layers.append(block(self.inplanes, planes, stride, downsample))  

        self.inplanes = planes * block.expansion  

        for i in range(1, blocks):  

            layers.append(block(self.inplanes, planes))  

  

        return nn.Sequential(*layers)  

  

    def forward(self, x):  

        x = self.conv1(x)  

        x = self.bn1(x)  

        x = self.relu(x)  

        x = self.maxpool(x)  

  

        x = self.layer1(x)  

        x = self.layer2(x)  

        x = self.layer3(x)  

        x = self.layer4(x)  

  

        x = self.avgpool(x)  

        #新加层的forward  

        x = x.view(x.size(0), -1)  

        x = self.convtranspose1(x)  

        x = self.maxpool2(x)  

        x = x.view(x.size(0), -1)  

        x = self.fclass(x)  

  

        return x  

  

#加载model  

resnet50 = models.resnet50(pretrained=True)  

cnn = CNN(Bottleneck, [3, 4, 6, 3])  

#读取参数  

pretrained_dict = resnet50.state_dict()  

model_dict = cnn.state_dict()  

# 将pretrained_dict里不属于model_dict的键剔除掉  

pretrained_dict =  {k: v for k, v in pretrained_dict.items() if k in model_dict}  

# 更新现有的model_dict  

model_dict.update(pretrained_dict)  

# 加载我们真正需要的state_dict  

cnn.load_state_dict(model_dict)  

# print(resnet50)  

print(cnn)  

以上就是相关的内容，本人刚入门的小白一枚，请轻喷～

转自：http://blog.csdn.net/whut_ldz/article/details/78845947

微调FineTune：

[python] view
plain copy

import torchvision

import torch.optim as optim
import torch.nn as nn
# 局部微调
# 有时候我们加载了训练模型后，只想调节最后的几层，
# 其他层不训练。其实不训练也就意味着不进行梯度计算，PyTorch中提供的requires_grad使得对训练的控制变得非常简单。
model = torchvision.models.resnet18(pretrained=True)
for param in model.parameters():
    param.requires_grad = False
# 替换最后的全连接层， 改为训练100类
# 新构造的模块的参数默认requires_grad为True
model.fc = nn.Linear(512, 100)

# 只优化最后的分类层
optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)
###########################################################################################
# 全局微调
# 有时候我们需要对全局都进行finetune，只不过我们希望改换过的层和其他层的学习速率不一样，
# 这时候我们可以把其他层和新层在optimizer中单独赋予不同的学习速率。比如：

ignored_params = list(map(id, model.fc.parameters()))
base_params = filter(lambda p: id(p) not in ignored_params,model.parameters())
#this is the new way to use Optimd
optimizer = optim.SGD([
            {'params': base_params},
            {'params': model.fc.parameters(), 'lr': 1e-3}
            ], lr=1e-2, momentum=0.9)