faster rcnn 实现fine-tune

源代码的网址：https://github.com/jwyang/faster-rcnn.pytorch
这个网址里面有很多训练好的模型，有voc2007 的 还有coco的，视情况选择。
接下来介绍一下背景，我下载的是voc2007的res101模型，目标是实现人 和 皮卡丘 的检测，因为原来的数据库里面没有安全帽的类别，所以需要增加这个类别，同时减去没有必要的类别，并且还要实现预训练模型的fine-tune。
1。增加类别和减少类别，直接在代码里面修改就可以了，百度有很多方法，灰常简单，这里简单说一下，train 和 test 的时候，要改的类别在lib/datasets/pascal_voc.py里面修改，demo直接在demo里面修改就可以了。
技巧：打开对应的代码，ctrl+f 查找background 或者‘person’随便一个关键词 可以快速找到
2。如何用别人训练好的模型fine-tune：
（1）我们首先要分清两个东西：
一个是自己创建的网络，就是你即将训练的网络，代码里面表现为 XXNET=XXX，为了方便下面的介绍会定义为A
一个是导入的模型，即.pth文件，这个定义为B
本例中，我的.pth文件的内容是包含自己建立的新的网络的，所谓包含就是B含有很多东西 a,b,c,d,e,f,g…,而A呢只有a,b,c,d…
如何查看上面说的东西呢，这接print（自己的网络） 查看A的内容，print（load的.pth）查看B网络。
直接上代码：
比较下面几个代码：
print（checkpoint）：整个模型的所有东西，包括对应的权值，以及网络结构。
print（fasterRCNN）：整个网络的详细结构，没有打印出权值
print（fasterRCNN.state_dict()）：网络的结构关键词，不是很具体，但是是我需要的
print（checkpoint[‘model’].items）：和上面一句类似，精简的，我们需要的
注：代码块的部分是在，train__val.py 中的 resume附近改的，那部分涉及到导入模型

save_model =checkpoint['model']   #这里返回的是一个字典，里面包含 键和对应的值，其实就是我们的网络的名字和对应的权值
model_dict = fasterRCNN.state_dict()  #这个我们只能得到对应的网络的名字

state_dict={}
state_dict3 = {}
i=1
for k, v in save_model.items():
    if k in model_dict.keys():
 #因为save_model 是包含model_dict的，所以，我们要判断的是，网络在两个变量里面同时存在，接着，把对应的网络层的值传递即可。
        if i==1:
            state_dict = {k: v}
            i=0

            continue
        if str(k)!='RCNN_cls_score.bias' and str(k)!='RCNN_cls_score.weight' and str(k)!='RCNN_bbox_pred.weight' and str(k)!='RCNN_bbox_pred.bias':
  #由于新的网络和原来的.pth有一些参数上的不同，把参数不同的网络直接丢弃即可。至于那些参数不同，可以参考代码段前的几个print结果，或者运行代码从报错里面找。
            state_dict1 = {k: v}
            state_dict=dict(state_dict,**state_dict1)
        # if str(k) == 'RCNN_cls_score.bias':
        #     b=np.zeros((3))
        #     a=torch.tensor(b)
        #     state_dict2={k:a}
        #     state_dict = dict(state_dict, **state_dict2)
        #     print('1111111111111111111111111111111111111111111111111111111111111111111')
        # if str(k) == 'RCNN_cls_score.weight':
        #     b=np.zeros((3,2048))
        #     a=torch.tensor(b)
        #     state_dict2={k:a}
        #     state_dict = dict(state_dict, **state_dict2)
        #     print('222222222222222222222222222222222222222222222222222222222222222222222')
        # if str(k) == 'RCNN_bbox_pred.weight':
        #     b=np.zeros((12,2048))
        #     a=torch.tensor(b)
        #     state_dict2={k:a}
        #     state_dict = dict(state_dict, **state_dict2)
        #     print ('33333333333333333333333333333333333333333333333333333333333333333333333')
        # if str(k) == 'RCNN_bbox_pred.bias':
        #     b = np.zeros((12))
        #     a=torch.tensor(b)
        #     state_dict2={k:a}
        #     state_dict = dict(state_dict, **state_dict2)
        #     print('4444444444444444444444444444444444444444444444444444444444444444444444444444')

model_dict.update(state_dict)
#将符合要求的网络组成一个词典，并且更新，用下面的语句送入新的网络里面。
#print('====================================================================\n',state_dict.keys())
fasterRCNN.load_state_dict(model_dict)

（2）opitimizer这个部分我没有导入，因为目前我还不知道应该修改那些参数，所以干脆丢了（没丢之前，修改网络参数之后仍然会报错，丢了之后，焕然一新）