模型套路番外——模型保存、读取及已有模型修改

1.保存：两种方法

  a.保存网络模型结构

  b.保存网络模型的状态（推荐，因为这种仅仅保存参数，所需空间较小）

以下是代码

#保存方式1，模型结构+参数
vgg16=torchvision.models.vgg16(weights=None)#不需要预训练的权重
torch.save(vgg16,"vgg16_1.pth")
#保存方式2，模型参数d
torch.save(vgg16.state_dict(),"vgg16_2.pth")

#方式1下的加载模型（注意如果是写在两个文件里的要 from 。。。 import *）
model=torch.load("vgg16_1.pth")

#方式2下的加载模型
vgg16=torchvision.models.vgg16(weights=None)#不需要预训练的权重
vgg16.load_state_dict(torch.load("vgg16_2.pth"))
print(vgg16)

加载效果：得到网络结构及参数

2.已有模型修改

a.加在模型的后面

vgg16_true=torchvision.models.vgg16(weights=True)

vgg16_true.add_module('add_linear',nn.Linear(1000,10))
print(vgg16_true)

效果：

b.
加在一个模块的里面

vgg16_true=torchvision.models.vgg16(weights=True)
vgg16_true.classifier.add_module('add_linear',nn.Linear(1000,10))#加在classifier这部分最后
print(vgg16_true)

效果：

c.修改模型某一层
vgg16_false.classifier[6]=nn.Linear(4096,10)
print(vgg16_false)

特别注意要在换之前看一下前一层输出大小，确定自己这层的输入大小，效果图

至此模型套路的讲解就结束啦，开始炼丹吧！