比torchvision更强大，从timm库引用预训练模型和本地加载的方法

1，介绍

torchvision是大家最常用的预训练模型来源，但是其包含的预训练模型种类很少，往往并不能满足研究者们的需求。

而timm库提供了一个更强大的替代选项。

利用如下代码查询

import timm

print(len(timm.list_models()))

输出

1032

可知，timm内置了1032个预训练模型权重。

例如ghostnet、caformer、crossvit等模型都是不在torchvision内的。

2，利用timm创建带预训练权重的模型

model = timm.create_model('ghostnetv2_100.in1k', pretrained=True)

其中权重的名称可以到hugging face hub上查询。

https://huggingface.co/

比如说输入ghostnet,就会出现以下可选的权重，对应不同版本和超参数的ghostnet模型，选择自己需要的就可以。

3，不加载分类头，输出特征图

输出的卷积层特征

model = timm.create_model(
    'ghostnet_100.in1k',
    pretrained=True,
    features_only=True,
)

4，获取图像的嵌入

所谓图像嵌入，也就是不包含最后一层分类层，但是包含了之前的其他线性变换层

model = timm.create_model(
    'ghostnet_100.in1k',
    pretrained=True,
    num_classes=0,  # remove classifier nn.Linear
)

另一种等效的方式是：

在创建模型时不需要移除分类层，但是用forward_features()方法来获取图像嵌入。

model = timm.create_model('ghostnetv2_100.in1k', pretrained=True)

#获取的是(b, c, h, w)形状的tensor
output = model.forward_features(transforms(img).unsqueeze(0))

#获取的是（b,c x h x w）形状的tensor
output = model.forward_head(output, pre_logits=True)

forward_head方法一般来说返回的是最后一个分类层之前的输出，如果你的模型在分类头里包含了全局池化层，那么forward_head方法返回的就是分类层之前最后一个全局池化层的结果。

但是具体返回结果需要结合你使用的模型来确认。

5，使用预下载到本地的权重创建模型

由于某些众所周知的原因，timm的模型下载经常无法连接。所以，我们可以事先从hugging face hub上把模型权重文件下载到本地。然后用如下代码创建

model = timm.create_model('ghostnet_100.in1k', pretrained=True,pretrained_cfg_overlay=dict(file='D:/pytorch_model.bin'))

只需要把pretrained_cfg_overlay=dict(file='D:/pytorch_model.bin')中的路径替换成你自己保存模型的路径即可。

6，秒杀torchvision,对非三通道图像的神奇处理能力

如果是使用的是torchvision内的预训练模型来处理非三通道图像，那么会报错。只能通过将自己的数据集预处理，转换成三通道图才可以运行。

但是利用timm创建的模型可以直接输入非三通道图进行训练或者预测。

例如，单通道图

m = timm.create_model('resnet34', pretrained=True, in_chans=1)

或者25通道图

m = timm.create_model('resnet34', pretrained=True, in_chans=25)

我们只需要在创建模型时制定in_chans这个参数就可以了。

剩下的操作，timm都会自动帮你完成。其内部已经实现了对通道数的变换。

7，查看预训练模型的配置

from timm.models.resnet import default_cfgs

resnet34_default_cfg = default_cfgs['resnet34']

print(resnet34_default_cfg)

输出结果太长就不贴了，自行查看。