pytorch 预训练模型读取修改相关参数的填坑
修改部分层，仍然调用之前的模型参数。
|
1
2
3
4
5
6
7
8
|
resnet = resnet50(pretrained=False)resnet.load_state_dict(torch.load(args.predir)) res_conv31 = Bottleneck_dilated(1024, 256,dilated_rate = 2)print("---------------------",res_conv31)print("---------------------",resnet.layer3[1]) res_conv31.load_state_dict(resnet.layer3[1].state_dict()) |
网络预训练模型与之前的模型对应不上，名称差个前缀
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
model_dict = model.state_dict()# print(model_dict)pretrained_dict = torch.load("/yzc/reid_testpcb/se_resnet50-ce0d4300.pth")keys = []for k, v in pretrained_dict.items(): keys.append(k)i = 0for k, v in model_dict.items(): if v.size() == pretrained_dict[keys[i]].size(): model_dict[k] = pretrained_dict[keys[i]] #print(model_dict[k]) i = i + 1model.load_state_dict(model_dict) |
最后是修改参数名拿来用的，
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
from collections import OrderedDictpretrained_dict = torch.load('premodel') new_state_dict = OrderedDict() # for k, v in mgn_state_dict.items():# name = k[7:] # remove `module.`# new_state_dict[name] = v# self.model = self.model.load_state_dict(new_state_dict) for k, v in pretrained_dict.items(): name = "model.module."+k # remove `module.` # print(name) new_state_dict[name] = vself.model.load_state_dict(new_state_dict) |
pytorch：加载预训练模型中的部分参数，并固定该部分参数(真实有效)
大家在学习pytorch时，可能想利用pytorch进行fine-tune,但是又烦恼于参数的加载问题。下面我将讲诉我的使用心得。
Step1: 加载预训练模型,并去除需要再次训练的层
|
1
2
3
4
5
6
7
|
#注意：需要重新训练的层的名字要和之前的不同。model=resnet()#自己构建的模型，以resnet为例model_dict = model.state_dict()pretrained_dict = torch.load('xxx.pkl')pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}model_dict.update(pretrained_dict)model.load_state_dict(model_dict) |
Step2：固定部分参数
|
1
2
3
4
5
|
#k是可训练参数的名字，v是包含可训练参数的一个实体#可以先print（k）,找到自己想进行调整的层，并将该层的名字加入到if语句中：for k,v in model.named_parameters(): if k!='xxx.weight' and k!='xxx.bias' : v.requires_grad=False#固定参数 |
Step3：训练部分参数
|
1
2
|
#将要训练的参数放入优化器optimizer2=torch.optim.Adam(params=[model.xxx.weight，model.xxx.bias],lr=learning_rate,betas=(0.9,0.999),weight_decay=1e-5) |
Step4：检查部分参数是否固定
debug之后，程序正常运行，最好检查一下网络的参数是否真的被固定了，如何没固定，网络的状态接近于重新训练，可能会导致网络性能不稳定，也没办法得到想要得到的性能提升。
|
1
2
3
|
for k,v in model.named_parameters(): if k!='xxx.weight' and k!='xxx.bias' : print(v.requires_grad)#理想状态下，所有值都是False |
需要注意的是，操作失误最大的影响是，loss函数几乎不会发生变化，一直处于最开始的状态，这很可能是因为所有参数都被固定了。
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服务器之家。
原文链接：https://blog.csdn.net/chanbo8205/article/details/89923453
