PyTorch：模型定义

uncle_ll

已于 2023-03-08 09:33:16 修改

阅读量2.6k

点赞数 5

分类专栏： PyTorch 文章标签： pytorch 深度学习 python

于 2022-03-16 17:37:07 首次发布

本文链接：https://blog.csdn.net/uncle_ll/article/details/123530992

版权

PyTorch 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

PyTorch模型定义的方式

模型在深度学习中扮演着重要的角色，好的模型极大地促进了深度学习的发展进步，比如CNN的提出解决了图像、视频处理中的诸多问题，RNN/LSTM模型解决了序列数据处理的问题，GNN在图模型上发挥着重要的作用。当我们在向他人介绍一项深度学习工作的时候，对方可能首先要问的就是使用了哪些模型。因此，在PyTorch进阶操作的第一部分中，首先来学习PyTorch模型相关的内容。

在第一部分课程中，已经学习了模型中的“层“是如何定义的，以及基础的模型是如何构建的。这里来更为系统地学习PyTorch中模型定义的方式，本节的学习将为后续灵活构建自己的模型打下坚实的基础。

经过本节的学习，你将收获：

熟悉PyTorch中模型定义的三种方式
读懂GitHub上千奇百怪的写法
自己根据需要灵活选取模型定义方式

必要的知识回顾

Module 类是 torch.nn 模块里提供的一个模型构造类 (nn.Module)，是所有神经网络模块的基类，我们可以继承它来定义我们想要的模型；
PyTorch模型定义应包括两个主要部分：各个部分的初始化（_init_）；数据流向定义（forward）

基于nn.Module，我们可以通过:

Sequential
ModuleList
ModuleDict

上述三种方式定义PyTorch模型。
下面就来逐个探索这三种模型定义方式。

import os
import torch
import collections
import torch.nn as nn
import torch.nn.functional as F

Sequential

对应模块为nn.Sequential()

当模型的前向计算为简单串联各个层的计算时，Sequential类可以通过简单的方式定义模型。它可以接收一个子模块的有序字典（OrderDict）或者一系列子模块作为参数来逐一添加Module的实例，模型的前向计算就是将这些实例按添加的顺序逐一计算。下面结合Sequential和定义方式加以理解

class MySequential(nn.Module):
    from collections import OrderedDict
    def __init__(self, *args):
        super(MySequential, self).__init__()
        if len(args) == 1 and isinstance(args[0], OrderDict):  # 如果传入的是一个orderDict
            for key, module in args[0].items():
                self.add_module(key, module)  # add_module方法会将module添加进self._modules(一个OrderedDict)
        else:  # 传入的是一些Module
            for idx, module in enumerate(args):
                self.add_module(str(idx), module)
    
    def forward(self, input):
        # self._modules返回一个 OrderedDict，保证会按照成员添加时的顺序遍历成
        for module in self._modules.values():
            input = module(input)
        return input

下面来看下如何使用Sequential来定义模型。只需要将模型的层按序排列起来即可，根据层名的不同，排列的时候有两种方式：

直接排列
使用OrderedDict

直接排列

import torch.nn as nn

net = nn.Sequential(
    nn.Linear(784, 256),
    nn.ReLU(),
    nn.Linear(256, 10),
    )

print(net)

    Sequential(
      (0): Linear(in_features=784, out_features=256, bias=True)
      (1): ReLU()
      (2): Linear(in_features=256, out_features=10, bias=True)
    )

使用OrderedDict

import collections
import torch.nn as nn

net2 = nn.Sequential(
    collections.OrderedDict(
        [('fc1', nn.Linear(784, 256)), ('relu1', nn.ReLU()), ('fc2', nn.Linear(256, 10))])
    )

print(net2)

    Sequential(
      (fc1): Linear(in_features=784, out_features=256, bias=True)
      (relu1): ReLU()
      (fc2): Linear(in_features=256, out_features=10, bias=True)
    )

可以看到，使用Sequential定义模型的好处在于简单、易读，同时使用Sequential定义的模型不需要再写forward，因为顺序已经定义好了。
但使用Sequential也会使得模型定义丧失灵活性，比如需要在模型中间加入一个外部输入时就不适合用Sequential的方式实现。使用时需根据实际需求加以选择。

一般情况下， nn.Sequential 的用法是来组成卷积块 (block)，然后像拼积木一样把不同的 block 拼成整个网络，让代码更简洁，更加结构化。

ModuleList

对应模块为nn.ModuleList()。

ModuleList接收一个子模块（或层，需属于nn.Module类）的列表作为输入，然后也可以类似List那样进行append和extend操作。同时，子模块或层的权重也会自动添加到网络中来。

net = nn.ModuleList([nn.Linear(784, 256), nn.ReLU()])
net.append(nn.Linear(256, 10))

print(net[-1])
print(net)

    Linear(in_features=256, out_features=10, bias=True)
    ModuleList(
      (0): Linear(in_features=784, out_features=256, bias=True)
      (1): ReLU()
      (2): Linear(in_features=256, out_features=10, bias=True)
    )

要特别注意的是，nn.ModuleList 并没有定义一个网络，它只是将不同的模块储存在一起。ModuleList中元素的先后顺序并不代表其在网络中的真实位置顺序，需要经过forward函数指定各个层的先后顺序后才算完成了模型的定义。具体实现时用for循环即可完成：

class model(nn.Module):
    def __init__(self):
        self.modulelist = nn.ModuleList([nn.Linear(784, 256), nn.ReLU()])
        self.modulelist.append(nn.Linear(256, 10))
    
    def forward(self, x):
        for module in self.modulelist:
            x = module(x)
        return x

ModuleDict

对应模块为nn.ModuleDict()。

ModuleDict和ModuleLis的作用类似，只是ModuleDict能够更方便地为神经网络的层添加名称。

net = nn.ModuleDict(
    {
        'linear': nn.Linear(784, 256),
        'relu': nn.ReLU()
    }
)

net['output'] = nn.Linear(256, 10)

print(net['linear'])
print(net.output)
print(net['output'])
print(net)

    Linear(in_features=784, out_features=256, bias=True)
    Linear(in_features=256, out_features=10, bias=True)
    Linear(in_features=256, out_features=10, bias=True)
    ModuleDict(
      (linear): Linear(in_features=784, out_features=256, bias=True)
      (relu): ReLU()
      (output): Linear(in_features=256, out_features=10, bias=True)
    )

class model(nn.Module):
    def __init__(self):
        super(model, self).__init__()
        self.moduledict = nn.ModuleDict( {'linear': nn.Linear(784, 256), 'relu': nn.ReLU()})
        self.moduledict['output'] = nn.Linear(256, 10)
    
    def forward(self, x):
        for name in self.moduledict:
            x = self.moduledict[name](x)
        return x

m = model()
x = torch.randn(1, 784)
print(m.forward(x))

    tensor([[-0.0897,  0.0880, -0.1098,  0.0207,  0.2254, -0.2132, -0.3926,  0.1900,
             -0.1460, -0.0980]], grad_fn=<AddmmBackward>)

三种方法的比较与适用场景

Sequential适用于快速验证结果，因为已经明确了要用哪些层，直接写一下就好了，不需要同时写__init__和forward；

ModuleList和ModuleDict在某个完全相同的层需要重复出现多次时，非常方便实现，可以"一行顶多行"；并且需要写forward，且顺序不定

当我们需要之前层的信息的时候，比如 ResNets 中的残差计算，当前层的结果需要和之前层中的结果进行融合，一般使用 ModuleList/ModuleDict 比较方便。

参考

https://zhuanlan.zhihu.com/p/64990232

利用模型块快速搭建复杂网络

上一节中我们介绍了怎样定义PyTorch的模型，其中给出的示例都是用torch.nn中的层来完成的。这种定义方式易于理解，在实际场景下不一定利于使用。当模型的深度非常大时候，使用Sequential定义模型结构需要向其中添加几百行代码，使用起来不甚方便。

对于大部分模型结构（比如ResNet、DenseNet等），我们仔细观察就会发现，虽然模型有很多层，但是**其中有很多重复出现的结构。**考虑到每一层有其输入和输出，若干层串联成的”模块“也有其输入和输出，如果我们能将这些重复出现的层定义为一个”模块“，每次只需要向网络中添加对应的模块来构建模型，这样将会极大便利模型构建的过程。

本节我们将以U-Net为例，介绍如何构建模型块，以及如何利用模型块快速搭建复杂模型。

经过本节的学习，你将收获：

利用上一节学到的知识，将简单层构建成具有特定功能的模型块
利用模型块构建复杂网络

U-Net简介

U-Net是分割 (Segmentation) 模型的杰作，在以医学影像为代表的诸多领域有着广泛的应用。U-Net模型结构如下图所示，通过残差连接结构解决了模型学习中的退化问题，使得神经网络的深度能够不断扩展。

unet

U-Net模型块分析

结合上图，不难发现U-Net模型具有非常好的对称性。模型从上到下分为若干层，每层由左侧和右侧两个模型块组成，每侧的模型块与其上下模型块之间有连接；同时位于同一层左右两侧的模型块之间也有连接，称为“Skip-connection”。

此外还有输入和输出处理等其他组成部分。由于模型的形状非常像英文字母的“U”，因此被命名为“U-Net”。

组成U-Net的模型块主要有如下几个部分：

1）每个子块内部的两次卷积（Double Convolution）
2）左侧模型块之间的下采样连接，即最大池化（Max pooling）
3）右侧模型块之间的上采样连接（Up sampling）
4）输出层的处理

除模型块外，还有模型块之间的横向连接，输入和U-Net底部的连接等计算，这些单独的操作可以通过forward函数来实现。

下面我们用PyTorch先实现上述的模型块，然后再利用定义好的模型块构建U-Net模型。

U-Net模型块实现

在使用PyTorch实现U-Net模型时，我们不必把每一层按序排列显式写出，这样太麻烦且不宜读

一种比较好的方法是先定义好模型块，再定义模型块之间的连接顺序和计算方式。

就好比装配零件一样，我们先装配好一些基础的部件，之后再用这些可以复用的部件得到整个装配体。

这里的基础部件对应上一节分析的四个模型块，根据功能我们将其命名为：

DoubleConv
Down
Up
OutConv

下面给出U-Net中模型块的PyTorch 实现：

import torch
import torch.nn as nn
import torch.nn.functional as F

# 两次卷积 conv 3x3, ReLU BN
class DoubleConv(nn.Module):
    """(convolution => [BN] => ReLU) * 2"""
    def __init__(self, in_channels, out_channels, mid_channels=None):
        super(DoubleCov, self).__init__()
        if not mid_channels:
            mid_channels = out_channels
        
        self.double_conv = nn.Sequential(
                nn.Conv2d(in_channels, mid_channels, kernel_size=3, padding=1, bias=False),
                nn.BatchNorm2d(mid_channels),
                nn.ReLU(inplace=True),
                nn.Conv2d(mid_channels, out_channels, kernel_size=3, padding=1, bias=False),
                nn.BatchNorm2d(out_channels),
                nn.ReLU(inplace=True)
            )
    
    def forward(self, x):
        return self.double_conv(x)

# 下采样 max pool 2x2
class Down(nn.Module):
    """Downscaling with maxpool then double conv"""
    def __init__(self, in_channels, out_channels):
        super().__init__()
        self.maxpool_conv = nn.Sequential(
                nn.MaxPool2d(2),
                DoubleConv(in_channels, out_channels)
            )
    
    def forward(self, x):
        return self.maxpool_conv(x)

# 上采样 up-conv 2x2 并拼接
class Up(nn.Module): 
    """Upscaling then double conv"""
    def __init__(self, in_channels, out_channels, bilinear=True):
        super().__init__()
        
        # if bilinear, use the normal convolutions to reduce the number of channels
        if bilinear:
            self.up = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True)
            self.conv = DoubleConv(in_channels, out_channels)
        else:
            self.up = nn.ConvTranspose2d(in_channels, in_channels//2, kernel_size=2, stride=2)
            self.conv = DoubleConv(in_channels, out_channels)
    
    def forward(self, x1, x2):
        x1 = self.up(x1)
        # input is CHW
        diffY = x2.size()[2] - x1.size[2]
        diffX = x2.size()[3] - x1.size[3]
        
        X1 = F.pad(x1, [diffX // 2, diffX - diffX // 2, diffY // 2, diffY - diffY // 2])
        # if you have padding issues, see
        # https://github.com/HaiyongJiang/U-Net-Pytorch-Unstructured-Buggy/commit/0e854509c2cea854e247a9c615f175f76fbb2e3a
        # https://github.com/xiaopeng-liao/Pytorch-UNet/commit/8ebac70e633bac59fc22bb5195e513d5832fb3bd
        x = torch.cat([x2, x1], dim=1)
        return self.conv(x)

# 输出 conv 1x1
class OutConv(nn.Module):
    def __init__(self, in_channels, out_channels):
        super(OutConv, self).__init__()
        self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=1)
    
    def forward(self, x):
        return self.conv(x)

利用模型块组装U-Net

使用写好的模型块，可以非常方便地组装U-Net模型。可以看到，通过模型块的方式实现了代码复用，整个模型结构定义所需的代码总行数明显减少，代码可读性也得到了提升。

class UNet(nn.Module):
    def __init__(self, n_channels, n_classes, bilinear=True):
        super(Unet, self).__init__()
        self.n_channels = n_channels
        self.n_classes = n_classes
        self.bilinear = bilinear
        
        self.inc = DoubleConv(n_channels, 64)
        self.down1 = Down(64, 128)
        self.down2 = Down(128, 256)
        self.down3 = Down(256, 512)
        factor = 2 if bilinear else 1
        self.down4 = Down(512, 1024//factor)
        
        self.up1 = Up(1024, 512//factor, bilinear)
        self.up2 = Up(512, 256//factor, bilinear)
        self.up3 = Up(256, 128//factor, bilinear)
        self.up4 = Up(128, 64, bilinear)
        
        self.outc = OutConv(64, n_classes)
    
    def forward(self, x):
        x1 = self.inc(x)
        # down sample
        x2 = self.down1(x1)
        x3 = self.down2(x2)
        x4 = self.down3(x3)
        x5 = self.down4(x4)
        
        # up sample
        x = self.up1(x5, x4)
        x = self.up2(x, x3)
        x = self.up3(x, x2)
        x = self.up4(x, x1)
        
        logits = self.outc(x)
        return logits

参考

https://github.com/milesial/Pytorch-UNet

Pytorch修改模型

除了自己构建PyTorch模型外，还有另一种应用场景：

我们已经有一个现成的模型，但该模型中的部分结构不符合我们的要求，为了使用模型，我们需要对模型结构进行必要的修改。

随着深度学习的发展和PyTorch越来越广泛的使用，有越来越多的开源模型可以供我们使用，很多时候我们也不必从头开始构建模型。因此，掌握如何修改PyTorch模型就显得尤为重要。

本节我们就来探索这一问题。经过本节的学习，你将收获：

如何在现有模型的基础上：

修改模型若干层
添加额外输入
添加额外输出

修改模型层

我们这里以pytorch官方视觉库torchvision预定义好的模型ResNet50为例，探索如何修改模型的某一层或者某几层。我们先看看模型的定义是怎样的：

import torchvision.models as models

net = models.resnet50()
print(net)

    ResNet(
      (conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)
      (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
      (maxpool): MaxPool2d(kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)
      (layer1): Sequential(
        (0): Bottleneck(
          (conv1): Conv2d(64, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
          (downsample): Sequential(
            (0): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
            (1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          )
        )
        (1): Bottleneck(
          (conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
        )
        (2): Bottleneck(
          (conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
        )
      )
      (layer2): Sequential(
        (0): Bottleneck(
          (conv1): Conv2d(256, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
          (downsample): Sequential(
            (0): Conv2d(256, 512, kernel_size=(1, 1), stride=(2, 2), bias=False)
            (1): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          )
        )
        (1): Bottleneck(
          (conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
        )
        (2): Bottleneck(
          (conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
        )
        (3): Bottleneck(
          (conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
        )
      )
      (layer3): Sequential(
        (0): Bottleneck(
          (conv1): Conv2d(512, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(1024, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
          (downsample): Sequential(
            (0): Conv2d(512, 1024, kernel_size=(1, 1), stride=(2, 2), bias=False)
            (1): BatchNorm2d(1024, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          )
        )
        (1): Bottleneck(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(1024, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
        )
        (2): Bottleneck(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(1024, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
        )
        (3): Bottleneck(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(1024, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
        )
        (4): Bottleneck(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(1024, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
        )
        (5): Bottleneck(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(1024, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
        )
      )
      (layer4): Sequential(
        (0): Bottleneck(
          (conv1): Conv2d(1024, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(2048, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
          (downsample): Sequential(
            (0): Conv2d(1024, 2048, kernel_size=(1, 1), stride=(2, 2), bias=False)
            (1): BatchNorm2d(2048, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          )
        )
        (1): Bottleneck(
          (conv1): Conv2d(2048, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(2048, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
        )
        (2): Bottleneck(
          (conv1): Conv2d(2048, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): BatchNorm2d(2048, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
          (relu): ReLU(inplace=True)
        )
      )
      (avgpool): AdaptiveAvgPool2d(output_size=(1, 1))
      (fc): Linear(in_features=2048, out_features=1000, bias=True)
    )

这里模型结构是为了适配ImageNet预训练的权重，因此最后全连接层（fc）的输出节点数是1000。

假设我们要用这个resnet模型去做一个10分类的问题，就应该修改模型的fc层，将其输出节点数替换为10。另外，我们觉得一层全连接层可能太少了，想再加一层。 可以做如下修改：

from collections import OrderedDict
import torch.nn as nn 


classifier = nn.Sequential(
    OrderedDict(
            [('fc1', nn.Linear(2048, 128)), ('relu1', nn.ReLU()), ('dropout1', nn.Dropout(0.5)),
             ('fc2', nn.Linear(128, 10)), ('output', nn.Softmax(dim=1))]
        )
    )

net.fc = classifier
print(net)

    ResNet(
      ...
      (avgpool): AdaptiveAvgPool2d(output_size=(1, 1))
      (fc): Sequential(
        (fc1): Linear(in_features=2048, out_features=128, bias=True)
        (relu1): ReLU()
        (dropout1): Dropout(p=0.5, inplace=False)
        (fc2): Linear(in_features=128, out_features=10, bias=True)
        (output): Softmax(dim=1)
      )
    )

这里的操作相当于将模型（net）最后名称为“fc”的层替换成了名称为“classifier”的结构，该结构是我们自己定义的。这里使用了第一节介绍的Sequential+OrderedDict的模型定义方式。至此，我们就完成了模型的修改，现在的模型就可以去做10分类任务了。

添加外部输入

有时候在模型训练中，除了已有模型的输入之外，还需要输入额外的信息。比如在CNN网络中，我们除了输入图像，还需要同时输入图像对应的其他信息，这时候就需要在已有的CNN网络中添加额外的输入变量。基本思路是：

将原模型添加输入位置前的部分作为一个整体，同时在forward中定义好原模型不变的部分、添加的输入和后续层之间的连接关系，从而完成模型的修改。

以torchvision的resnet50模型为基础，任务还是10分类任务。
不同点在于，希望利用已有的模型结构，在倒数第二层增加一个额外的输入变量add_variable来辅助预测。具体实现如下

class Model(nn.Module):
    def __init__(self, net):
        super(Model, self).__init__()
        self.net = net
        self.relu = nn.ReLU()
        self.dropout = nn.Dropout(0.5)
        self.fc_add = nn.Linear(1001, 10, bias=True)
        self.output = nn.Softmax(dim=1)
    
    def forward(self, x, add_variable):
        x = self.net(x)
        x = torch.cat((self.dropout(self.relu(x)), add_variable.unsqueeze(1)), 1)
        x = self.fc_add(x)
        x = self.output(x)
        return x

m = Model(net)
print(m)

    Model(
      (net): ResNet(
       ...
        
            (relu): ReLU(inplace=True)
          )
        )
        (avgpool): AdaptiveAvgPool2d(output_size=(1, 1))
        (fc): Linear(in_features=2048, out_features=1000, bias=True)
      )
      (relu): ReLU()
      (dropout): Dropout(p=0.5, inplace=False)
      (fc_add): Linear(in_features=1001, out_features=10, bias=True)
      (output): Softmax(dim=1)
    )

这里的实现要点是通过torch.cat实现了tensor的拼接。torchvision中的resnet50输出是一个1000维的tensor，我们通过修改forward函数（配套定义一些层），先将2048维的tensor通过激活函数层和dropout层，再和外部输入变量"add_variable"拼接，最后通过全连接层映射到指定的输出维度10。

另外这里对外部输入变量"add_variable"进行unsqueeze操作是为了和net输出的tensor保持维度一致，常用于add_variable是单一数值 (scalar) 的情况，此时add_variable的维度是 (batch_size, )，需要在第二维补充维数1，从而可以和tensor进行torch.cat操作。对于unsqueeze操作可以复习下之前的内容

之后对我们修改好的模型结构进行实例化，就可以使用了：

net = models.resnet50()
model = Model(net).cuda()
print(model)

    Model(
      (net): ResNet(
        ...
        )
        (avgpool): AdaptiveAvgPool2d(output_size=(1, 1))
        (fc): Linear(in_features=2048, out_features=1000, bias=True)
      )
      (relu): ReLU()
      (dropout): Dropout(p=0.5, inplace=False)
      (fc_add): Linear(in_features=1001, out_features=10, bias=True)
      (output): Softmax(dim=1)
    )

另外别忘了，训练中在输入数据的时候要给两个inputs：

outputs = model(inputs, add_var)

添加额外输出

有时候在模型训练中，除了模型最后的输出外，我们需要输出模型某一中间层的结果，以施加额外的监督，获得更好的中间层结果。

基本的思路是修改模型定义中forward函数的return变量。

我们依然以resnet50做10分类任务为例，在已经定义好的模型结构上，同时输出1000维的倒数第二层和10维的最后一层结果。具体实现如下：

class Model(nn.Module):
    def __init__(self, net):
        super(Model, self).__init__()
        self.net = net
        self.relu = nn.ReLU()
        self.dropout = nn.Dropout(0.5)
        self.fc1 = nn.Linear(1000, 10, bias=True)
        self.output = nn.Softmax(dim=1)
    
    def forward(self, x, add_variable):
        x1000 = self.net(x)
        x10 = self.dropout(self.relu(x1000))
        x10 = self.output(x10)
        return x10, x1000

之后对我们修改好的模型结构进行实例化，就可以使用了：

net = models.resnet50()
model = Model(net).cuda()
print(model)

    Model(
      (net): ResNet(
       ...
          )
        )
        (avgpool): AdaptiveAvgPool2d(output_size=(1, 1))
        (fc): Linear(in_features=2048, out_features=1000, bias=True)
      )
      (relu): ReLU()
      (dropout): Dropout(p=0.5, inplace=False)
      (fc1): Linear(in_features=1000, out_features=10, bias=True)
      (output): Softmax(dim=1)
    )

另外别忘了，训练中在输入数据后会有两个outputs

out10, out1000 = model(inputs, add_var)

PyTorch模型保存与读取

在前面几节的内容中，我们介绍了如何构建和修改PyTorch模型。本节我们来讨论PyTorch如何保存和读取训练好的模型。

另外，在很多场景下我们都会使用多GPU训练。这种情况下，模型会分布于各个GPU上（参加2.3节分布数据式训练，这里暂不考虑分布模型式训练），模型的保存和读取与单GPU训练情景下是否有所不同？

经过本节的学习，你将收获：

PyTorch的模型的存储格式
PyTorch如何存储模型
单卡与多卡训练下模型的保存与加载方法

模型存储格式

PyTorch存储模型主要采用pkl，pt，pth三种格式。

就使用层面来说没有区别，这里不做具体的讨论。

本节最后的参考内容中列出了查阅到的一些资料，感兴趣的读者可以进一步研究，欢迎留言讨论。

模型存储内容

一个PyTorch模型主要包含两个部分：模型结构和权重。

其中模型是继承nn.Module的类，权重的数据结构是一个字典（key是层名，value是权重向量）。

存储也由此分为两种形式：

存储整个模型（包括结构和权重）
只存储模型权重

import os
import torch

from torchvision import models

model = models.resnet152(pretrained=True)
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
save_dir = './models/resnet152.pkl'
# 保存整个模型
torch.save(model, save_dir)

# 保存模型结构
torch.save(model.state_dict(), save_dir)

# 读取模型结构
loaded_dict = torch.load(save_dir)
loaded_model = models.resnet50()

# 定义模型结构
# loaded_model.load_state_dict(loaded_dict)
loaded_model.state_dict = loaded_dict

print(loaded_model)

    ResNet(
      ...
      (avgpool): AdaptiveAvgPool2d(output_size=(1, 1))
      (fc): Linear(in_features=2048, out_features=1000, bias=True)
    )

单卡和多卡模型存储的区别

PyTorch中将模型和数据放到GPU上有两种方式——.cuda()和.to(device)

本节后续内容针对前一种方式进行讨论。

如果要使用多卡训练的话，需要对模型使用torch.nn.DataParallel。示例如下：

os.environ['CUDA_VISIBLE_DEVICES'] = '0'  # 如果是多卡改成类似0,1,2
model = models.resnet152(pretrained=True)
model = model.cuda()  # 单卡
# model = torch.nn.DataParallel(model).cuda()  # 多卡

之后我们把model对应的layer名称打印出来看一下

可以观察到差别在于多卡并行的模型每层的名称前多了一个“module”。

单卡

for name in model.named_modules():
    print(name)

    ('', ResNet(
    ...
    ('layer1.0.conv1', Conv2d(64, 64, kernel_size=(1, 1), stride=(1, 1), bias=False))
    ('layer1.0.bn1', BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer1.0.conv2', Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False))
    ('layer1.0.bn2', BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer1.0.conv3', Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False))
    ('layer1.0.bn3', BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer1.0.relu', ReLU(inplace=True))
    ...
    ('layer2.3.conv1', Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False))
    ('layer2.3.bn1', BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer2.3.conv2', Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False))
    ('layer2.3.bn2', BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer2.3.conv3', Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False))
    ('layer2.3.bn3', BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer2.3.relu', ReLU(inplace=True))
    ('layer2.4', Bottleneck(
      (conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    ))
    ('layer2.4.conv1', Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False))
    ('layer2.4.bn1', BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer2.4.conv2', Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False))
    ('layer2.4.bn2', BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer2.4.conv3', Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False))
    ('layer2.4.bn3', BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer2.4.relu', ReLU(inplace=True))
    ('layer2.5', Bottleneck(
      (conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      ...
    ('layer3.19.bn1', BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer3.19.conv2', Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False))
    ('layer3.19.bn2', BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer3.19.conv3', Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False))
    ('layer3.19.bn3', BatchNorm2d(1024, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer3.19.relu', ReLU(inplace=True))
    ('layer3.20', Bottleneck(
...
    ('layer4.2.conv1', Conv2d(2048, 512, kernel_size=(1, 1), stride=(1, 1), bias=False))
    ('layer4.2.bn1', BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer4.2.conv2', Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False))
    ('layer4.2.bn2', BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer4.2.conv3', Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False))
    ('layer4.2.bn3', BatchNorm2d(2048, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
    ('layer4.2.relu', ReLU(inplace=True))
    ('avgpool', AdaptiveAvgPool2d(output_size=(1, 1)))
    ('fc', Linear(in_features=2048, out_features=1000, bias=True))

多卡

os.environ['CUDA_VISIBLE_DEVICES'] = '0,1'  # 如果是多卡改成类似0,1,2
model = models.resnet152(pretrained=True)
model = torch.nn.DataParallel(model).cuda()  # 多卡

for name in model.named_modules():
    print(name)

...
('module.layer1.0.conv1', Conv2d(64, 64, kernel_size=(1, 1), stride=(1, 1), bias=False))
('module.layer1.0.bn1', BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
('module.layer1.0.conv2', Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False))
('module.layer1.0.bn2', BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
('module.layer1.0.conv3', Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False))
('module.layer1.0.bn3', BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))
('module.layer1.0.relu', ReLU(inplace=True))
('module.layer1.0.downsample', Sequential(
  (0): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
  (1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
))
...

单卡保存+多卡加载

这种情况的处理比较简单，读取单卡保存的模型后，使用nn.DataParallel函数进行分布式训练设置即可

import os
import torch
from torchvision import models

os.environ['CUDA_VISIBLE_DEVICES'] = '0'   # 这里替换成希望使用的GPU编号
model = models.resnet152(pretrained=True)
model.cuda

# 保存整个模型+读取整个模型
save_dir = './models/resnet152.pkl'
torch.save(model, save_dir)

# 设置加载时候使用的多卡GPU
os.environ['CUDA_VISIBLE_DEVICES'] = '0,1'   # 这里替换成希望使用的GPU编号
load_model = torch.load(save_dir)
load_model = torch.nn.DataParallel(load_model).cuda()

# 只保存权重，结构的话从models加载
save_dict_dir = './models/resnet152-dict.pkl'
torch.save(model.state_dict(), save_dict_dir)

os.environ['CUDA_VISIBLE_DEVICES'] = '0,1'   # 这里替换成希望使用的GPU编号
load_dict = torch.load(save_dict_dir)
load_model = models.resnet152()
load_model.state_dict = load_dict
load_model = torch.nn.DataParallel(load_model).cuda()

多卡保存+单卡加载

这种情况下的核心问题是：如何去掉权重字典键名中的module，以保证模型的统一性。

对于加载整个模型，直接提取模型的module属性即可：

import os
import torch
from torchvision import models

os.environ['CUDA_VISIBLE_DEVICES'] = '0, 1'   # 这里替换成希望使用的GPU编号
model = models.resnet152(pretrained=True)
model = torch.nn.DataParallel(model).cuda()

# 多卡保存 保存整个模型+读取整个模型
save_dir = './models/resnet152.pkl'
torch.save(model, save_dir)

# 单卡加载
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
load_model = torch.load(save_dir)
load_model = load_model.module  # 这里不再是load_model.cuda

对于加载模型权重，有以下几种思路：

去除字典里的module麻烦，往model里添加module简单（推荐）

import os
import torch
from torchvision import models

os.environ['CUDA_VISIBLE_DIVICES'] = '0, 1'

model = models.resnet152(pretrained=True)
model = torch.nn.DataParallel(model).cuda()

# 多卡保存+读取模型权重
save_dict_dir = './models/resnet152-dict.pkl'
torch.save(model.state_dict, save_dict_dir)


# 单卡加载权重
os.environ['CUDA_VISIABLE_DIVICES'] = '0'

load_dict = torch.load(save_dict_dir)
load_model = models.resnet152()
load_model = torch.nn.DataParallel(load_model).cuda()  # 先以多卡的形式加载，但以单卡的形式应用
load_model.state_dict = load_dict

这样即便是单卡，也可以开始训练了（相当于分布到单卡上）

遍历字典去除module

from collections import OrderedDict

os.environ['CUDA_VISIABLE_DIVICES'] = '0'

load_dict = torch.load(save_dict_dir)

new_static_dict = OrderedDict()
for k, v in load_dict.items():
    name = k[7:]  # module字段在最前面，从第7个字符开始就可以去掉module
    new_static_dict[name] = v

load_model = models.resnet152()
load_model.state_dict = new_static_dict
load_model = load_model.cuda()

使用replace操作去除module

load_model = models.resnet152()
load_dict = torch.load(save_dict_dir)
load_model.load_state_dict({k.replace('modeule.', ''): v for k, v in load_dict.items()})
load_model = load_model.cuda()

多卡保存+多卡加载

由于是模型保存和加载都使用的是多卡，因此不存在模型层名前缀不同的问题。

但多卡状态下存在一个device（使用的GPU）匹配的问题，即保存整个模型时会同时保存所使用的GPU id等信息，读取时若这些信息和当前使用的GPU信息不符则可能会报错或者程序不按预定状态运行。具体表现为以下两点：

读取整个模型再使用nn.DataParallel进行分布式训练设置

这种情况很可能会造成保存的整个模型中GPU id和读取环境下设置的GPU id不符，训练时数据所在device和模型所在device不一致而报错。

读取整个模型而不使用nn.DataParallel进行分布式训练设置

这种情况可能不会报错，测试中发现程序会自动使用设备的前n个GPU进行训练（n是保存的模型使用的GPU个数）。此时如果指定的GPU个数少于n，则会报错。在这种情况下，只有保存模型时环境的device id和读取模型时环境的device id一致，程序才会按照预期在指定的GPU上进行分布式训练。

相比之下，读取模型权重，之后再使用nn.DataParallel进行分布式训练设置则没有问题。因此多卡模式下建议使用权重的方式存储和读取模型：

import os
import torch
from torchvision import models

os.environ['CUDA_VISIABLE_DEVICES'] = '0,1'

model = models.resnet152(pretrained=True)
model = torch.nn.DataParallel(model).cuda()

# 保存+读取模型权重
save_dict_dir = './models/resnet152-dict.pkl'
torch.save(model, save_dict_dir)

# 加载
load_dict = torch.load(save_dict_dir)
load_model = models.resnet152()
load_model = torch.nn.DataParallel(model).cuda()
load_model.state_dict = load_dict

如果只有保存的整个模型，也可以采用提取权重的方式构建新的模型：

# 读取整个模型
load_whole_model = torch.load(save_dir)
load_model = models.resnet152()  # 注意这里需要对模型结构有定义
load_model.state_dict = load_whole_model.state_dict
load_model = torch.nn.DataParallel(load_model).cuda()

另外，上面所有对于loaded_model修改权重字典的形式都是通过赋值来实现的，

在PyTorch中还可以通过load_state_dict函数来实现：

# load_model.load_state_dict(load_dict)

参考

uncle_ll

关注

5
点赞
踩
9

收藏

觉得还不错? 一键收藏
打赏
1
评论
PyTorch：模型定义

Pytorch模型定义的方式模型在深度学习中扮演着重要的角色，好的模型极大地促进了深度学习的发展进步，比如CNN的提出解决了图像、视频处理中的诸多问题，RNN/LSTM模型解决了序列数据处理的问题，GNN在图模型上发挥着重要的作用。当我们在向他人介绍一项深度学习工作的时候，对方可能首先要问的就是使用了哪些模型。因此，在PyTorch进阶操作的第一部分中，首先来学习PyTorch模型相关的内容。在第一部分课程中，已经学习了模型中的“层“是如何定义的，以及基础的模型是如何构建的。这里来更为系统地学习PyTo
复制链接

扫一扫