pytorch加载训练好的模型用来测试或者处理方式
作者：群星闪耀
这篇文章主要介绍了pytorch加载训练好的模型用来测试或者处理方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
1.直接加载预训练模型
如果我们使用的模型和原模型完全一样，
那么我们可以直接加载别人训练好的模型：
import torchvision.models as models resnet50 = models.resnet50(pretrained=True)
如果只需要网络结构，不需要用预训练模型的参数来初始化，
那么就是：
model =torchvision.models.resnet50(pretrained=False)
2.修改某一层
PyTorch中的torchvision里已经有很多常用的模型了，
可以直接调用：
- AlexNet
- VGG
- ResNet
- SqueezeNet
- DenseNet
import torchvision.models as models resnet18 = models.resnet18() alexnet = models.alexnet() squeezenet = models.squeezenet1_0() densenet = models.densenet_161()
但是对于我们的任务而言有些层并不是直接能用，需要我们微微改一下，
比如，resnet最后的全连接层是分1000类，而我们只有21类；
又比如，resnet第一层卷积接收的通道是3， 我们可能输入图片的通道是4，
那么可以通过以下方法修改：
resnet.conv1 = nn.Conv2d(4, 64, kernel_size=7, stride=2, padding=3, bias=False) resnet.fc = nn.Linear(2048, 21)
3.加载部分预训练模型
其实大多数时候我们需要根据我们的任务调节我们的模型，所以很难保证模型和公开的模型完全一样，但是预训练模型的参数确实有助于提高训练的准确率，为了结合二者的优点，就需要我们加载部分预训练模型。
#加载model，model是自己定义好的模型
resnet50 = models.resnet50(pretrained=True)
model =Net(...)
#读取参数
pretrained_dict =resnet50.state_dict()
model_dict = model.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
model.load_state_dict(model_dict)
# 加载我们真正需要的state_dict
model.load_state_dict(model_dict) 4. 保存和加载自己的模型
pytorch保存模型的方式有两种：
- 第一种：将整个网络都都保存下来
- 第二种：仅保存和加载模型参数（推荐使用这样的方法）
4.1 保存和加载整个模型
# 保存 torch.save(model_object, Path) # 加载 model = torch.load(Path)
4.2 仅保存和加载模型参数(推荐使用)
# ----------------保存模型参数--------------------------
torch.save(model.state_dict(), PATH)
#example
torch.save(resnet50.state_dict(),'ckp/model.pth')
# ----------------加载模型参数--------------------------
model = ModelClass(*args, **kwargs) # 这是你后来设置的模型
model.load_state_dict(torch.load(PATH)) # 加载参数
#example
resnet=resnet50(pretrained=True)
resnet.load_state_dict(torch.load('ckp/model.pth'))4.3 每个epoch保存一个模型参数
for epoch in range(start_epoch, nEpochs + 1):
train(training_data_loader, optimizer, model, criterion, epoch)
save_checkpoint(model, epoch)
def save_checkpoint(model, epoch):
model_out_path = "checkpoint/" + "model_epoch_{}.pth".format(epoch)
state = {"epoch": epoch ,"model": model}
if not os.path.exists("checkpoint/"):
os.makedirs("checkpoint/")
torch.save(state, model_out_path)
print("Checkpoint saved to {}".format(model_out_path))上面的代码中start_epoch是开始保存模型的epoch,nEpochs是总共训练的次数。
train（）里面的参数，是训练的过程：一些训练数据，优化器，模型和训练标准。
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。