神经网络-pytorch网络结构改变-拆分已定义的层

这里整合了一些预备知识

有一个很不错的链接：https://blog.csdn.net/TTdreamloong/article/details/84823705

这里是引用
pytorch拆分已定义的网络结构
原文链接：https://www.jianshu.com/p/d2a066e05078

这里是引用
pytorch Module里的children()与modules()的区别
链接如下：https://blog.csdn.net/LXX516/article/details/79016980

以下是正文：

如果只是改变参数的话，就可以直接使用print(model)来输出网络的每个层的定义和名字。比如说第一层的名字是conv1，那么就直接使用

Cnn = model

Print(cnn) #获得每一层的定义和名字

Cnn.conv1 = liner……##这里直接重新对conv1重新定义即可。

如果整个结构都要变，那么就先找出原始模型的源代码，然后复制一份重命名，直接在原来的基础上修改结构，得到一个和pre-train的网络的结构有重复部分的自己的网络。

然后再把重复部分的参数直接拷贝过来就行了。

具体的方法：

用到的函数是model.state_dict()

这个函数的输出如下

返回值里包含信息：参数的层名.weight 以及.bias等等一层中的未知参数。

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

筛选出两个网络重叠的部分

最后用.updata()更新自己构造网络的字典参数（由.state_dict（）函数输出）

最最后用cnn.load_state_dict(model_dict)来更新网络参数。

具体代码如下：