参考1 https://blog.csdn.net/LXX516/article/details/80124768
参考2 https://www.bilibili.com/video/BV1dA411g7Ao
方法一 仅仅修改了全连接层,比如将分类层fc的1000类输出改为10类输出的new_fc
import torch
from torchvision.models import resnet18
import torch.nn as nn
def main():
out_features = 10 #输出的类别数
net = resnet18(pretrained=True)
in_features = net.fc.in_features
#net.fc = nn.Linear(in_features,out_features)
print(net)
方法二 对模型进行了部分修改,仅加载没有修改的部分的参数(修改的部分要用不同的名字,比如修改了fc层,修改后的层还叫fc用这个方法就会报错)
pretrained_dict = torch.load(model_weight)
model_dict = myNet.state_dict()
pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}
model_dict.update(pretrained_dict)
myNet.load_state_dict(model_dict)
方法三 最具有通用性的方法,弄清楚那些层中预训练的参数不要,直接不载入
model_path = './resnet18.pth' #根据实际情况载入自己的模型参数
net = resnet18(num_classes=5) #先设定了out_features为5,此时直接载入参数一定会报错
pre_weights = torch.load(model_path,map_location='cpu') #先读取,不载入
delete_key = []
for key,_ in pre_weights.items():
if 'fc' in key: #根据具体不需要的key值修改
delete_key.append(key)
for key in delete_key:
del pre_weights[key]
net.load_state_dict(pre_weights,strict=False) #strict默认是True,会严格按照key值来载入参数
方法四 实在有需要可以通过自己创建字典,在里面放入自己需要的key和value再载入到模型中(我自己也没尝试过,所以无代码)