pytorch 預(yù)訓(xùn)練模型讀取修改相關(guān)參數(shù)的填坑
修改部分層，仍然調(diào)用之前的模型參數(shù)。
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())
網(wǎng)絡(luò)預(yù)訓(xùn)練模型與之前的模型對(duì)應(yīng)不上，名稱差個(gè)前綴
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 = 0
for 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 + 1
model.load_state_dict(model_dict)
最后是修改參數(shù)名拿來(lái)用的，
from collections import OrderedDict
pretrained_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] = v
self.model.load_state_dict(new_state_dict)
pytorch：加載預(yù)訓(xùn)練模型中的部分參數(shù)，并固定該部分參數(shù)(真實(shí)有效)
大家在學(xué)習(xí)pytorch時(shí)，可能想利用pytorch進(jìn)行fine-tune,但是又煩惱于參數(shù)的加載問(wèn)題。下面我將講訴我的使用心得。
Step1: 加載預(yù)訓(xùn)練模型,并去除需要再次訓(xùn)練的層
#注意：需要重新訓(xùn)練的層的名字要和之前的不同。
model=resnet()#自己構(gòu)建的模型，以resnet為例
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：固定部分參數(shù)
#k是可訓(xùn)練參數(shù)的名字，v是包含可訓(xùn)練參數(shù)的一個(gè)實(shí)體
#可以先print（k）,找到自己想進(jìn)行調(diào)整的層，并將該層的名字加入到if語(yǔ)句中：
for k,v in model.named_parameters():
if k!='xxx.weight' and k!='xxx.bias' :
v.requires_grad=False#固定參數(shù)
Step3：訓(xùn)練部分參數(shù)
#將要訓(xùn)練的參數(shù)放入優(yōu)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：檢查部分參數(shù)是否固定
debug之后，程序正常運(yùn)行，最好檢查一下網(wǎng)絡(luò)的參數(shù)是否真的被固定了，如何沒(méi)固定，網(wǎng)絡(luò)的狀態(tài)接近于重新訓(xùn)練，可能會(huì)導(dǎo)致網(wǎng)絡(luò)性能不穩(wěn)定，也沒(méi)辦法得到想要得到的性能提升。
for k,v in model.named_parameters():
if k!='xxx.weight' and k!='xxx.bias' :
print(v.requires_grad)#理想狀態(tài)下，所有值都是False
需要注意的是，操作失誤最大的影響是，loss函數(shù)幾乎不會(huì)發(fā)生變化，一直處于最開(kāi)始的狀態(tài)，這很可能是因?yàn)樗袇?shù)都被固定了。
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- Pytorch通過(guò)保存為ONNX模型轉(zhuǎn)TensorRT5的實(shí)現(xiàn)
- pytorch_pretrained_bert如何將tensorflow模型轉(zhuǎn)化為pytorch模型
- pytorch模型的保存和加載、checkpoint操作
- PyTorch 如何檢查模型梯度是否可導(dǎo)
- 解決Pytorch修改預(yù)訓(xùn)練模型時(shí)遇到key不匹配的情況
- PyTorch模型轉(zhuǎn)TensorRT是怎么實(shí)現(xiàn)的?
