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)