一、pytorch中的pre-train模型


卷积神经网络的训练是耗时的，很多场合不可能每次都从随机初始化参数开始训练网络。


pytorch中自带几种常用的深度学习网络预训练模型，如VGG、ResNet等。往往为了加快学习的进度，在训练的初期我们直接加载pre-train模型中预先训练好的参数，model的加载如下所示：

1. import torchvision.models as models  
2.   
3. #resnet  
4. model = models.ResNet(pretrained=True)  
5. model = models.resnet18(pretrained=True)  
6. model = models.resnet34(pretrained=True)  
7. model = models.resnet50(pretrained=True)  
8.   
9. #vgg  
10. model = models.VGG(pretrained=True)  
11. model = models.vgg11(pretrained=True)  
12. model = models.vgg16(pretrained=True)  
13. model = models.vgg16_bn(pretrained=True)



二、预训练模型的修改



1.参数修改



对于简单的参数修改，这里以resnet预训练模型举例，resnet源代码在Github点击打开链接。


resnet网络最后一层分类层fc是对1000种类型进行划分，对于自己的数据集，如果只有9类，修改的代码如下：

1. # coding=UTF-8  
2. import torchvision.models as models  
3.   
4. #调用模型  
5. model = models.resnet50(pretrained=True)  
6. #提取fc层中固定的参数  
7. fc_features = model.fc.in_features  
8. #修改类别为9  
9. model.fc = nn.Linear(fc_features, 9)



2.增减卷积层


前一种方法只适用于简单的参数修改，有的时候我们往往要修改网络中的层次结构，这时只能用参数覆盖的方法，即自己先定义一个类似的网络，再将预训练中的参数提取到自己的网络中来。这里以resnet预训练模型举例。

1. # coding=UTF-8  
2. import torchvision.models as models  
3. import torch  
4. import torch.nn as nn  
5. import math  
6. import torch.utils.model_zoo as model_zoo  
7.   
8. class CNN(nn.Module):  
9.   
10. def __init__(self, block, layers, num_classes=9):  
11. self.inplanes = 64  
12. self).__init__()  
13. self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3,  
14. False)  
15. self.bn1 = nn.BatchNorm2d(64)  
16. self.relu = nn.ReLU(inplace=True)  
17. self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)  
18. self.layer1 = self._make_layer(block, 64, layers[0])  
19. self.layer2 = self._make_layer(block, 128, layers[1], stride=2)  
20. self.layer3 = self._make_layer(block, 256, layers[2], stride=2)  
21. self.layer4 = self._make_layer(block, 512, layers[3], stride=2)  
22. self.avgpool = nn.AvgPool2d(7, stride=1)  
23. #新增一个反卷积层  
24. self.convtranspose1 = nn.ConvTranspose2d(2048, 2048, kernel_size=3, stride=1, padding=1, output_padding=0, groups=1, bias=False, dilation=1)  
25. #新增一个最大池化层  
26. self.maxpool2 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)  
27. #去掉原来的fc层，新增一个fclass层  
28. self.fclass = nn.Linear(2048, num_classes)  
29.   
30. for m in self.modules():  
31. if isinstance(m, nn.Conv2d):  
32. 0] * m.kernel_size[1] * m.out_channels  
33. 0, math.sqrt(2. / n))  
34. elif isinstance(m, nn.BatchNorm2d):  
35. 1)  
36.                 m.bias.data.zero_()  
37.   
38. def _make_layer(self, block, planes, blocks, stride=1):  
39. None  
40. if stride != 1 or self.inplanes != planes * block.expansion:  
41.             downsample = nn.Sequential(  
42. self.inplanes, planes * block.expansion,  
43. 1, stride=stride, bias=False),  
44.                 nn.BatchNorm2d(planes * block.expansion),  
45.             )  
46.   
47.         layers = []  
48. self.inplanes, planes, stride, downsample))  
49. self.inplanes = planes * block.expansion  
50. for i in range(1, blocks):  
51. self.inplanes, planes))  
52.   
53. return nn.Sequential(*layers)  
54.   
55. def forward(self, x):  
56. self.conv1(x)  
57. self.bn1(x)  
58. self.relu(x)  
59. self.maxpool(x)  
60.   
61. self.layer1(x)  
62. self.layer2(x)  
63. self.layer3(x)  
64. self.layer4(x)  
65.   
66. self.avgpool(x)  
67. #新加层的forward  
68. 0), -1)  
69. self.convtranspose1(x)  
70. self.maxpool2(x)  
71. 0), -1)  
72. self.fclass(x)  
73.   
74. return x  
75.   
76. #加载model  
77. resnet50 = models.resnet50(pretrained=True)  
78. cnn = CNN(Bottleneck, [3, 4, 6, 3])  
79. #读取参数  
80. pretrained_dict = resnet50.state_dict()  
81. model_dict = cnn.state_dict()  
82. # 将pretrained_dict里不属于model_dict的键剔除掉  
83. pretrained_dict =  {k: v for k, v in pretrained_dict.items() if k in model_dict}  
84. # 更新现有的model_dict  
85. model_dict.update(pretrained_dict)  
86. # 加载我们真正需要的state_dict  
87. cnn.load_state_dict(model_dict)  
88. # print(resnet50)  
89. print(cnn)



以上就是相关的内容，本人刚入门的小白一枚，请轻喷～



微调FineTune：


import torchvision



  1. import torch.optim as optim
    import torch.nn as nn
    # 局部微调
    # 有时候我们加载了训练模型后，只想调节最后的几层，
    # 其他层不训练。其实不训练也就意味着不进行梯度计算，PyTorch中提供的requires_grad使得对训练的控制变得非常简单。
    model = torchvision.models.resnet18(pretrained=True)
    for param in model.parameters():
        param.requires_grad = False
    # 替换最后的全连接层， 改为训练100类
    # 新构造的模块的参数默认requires_grad为True
    model.fc = nn.Linear(512, 100)


    # 只优化最后的分类层
    optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)
    ###########################################################################################
    # 全局微调
    # 有时候我们需要对全局都进行finetune，只不过我们希望改换过的层和其他层的学习速率不一样，
    # 这时候我们可以把其他层和新层在optimizer中单独赋予不同的学习速率。比如：


    ignored_params = list(map(id, model.fc.parameters()))
    base_params = filter(lambda p: id(p) not in ignored_params,model.parameters())
    #this is the new way to use Optimd
    optimizer = optim.SGD([
                {'params': base_params},
                {'params': model.fc.parameters(), 'lr': 1e-3}
                ], lr=1e-2, momentum=0.9)
  2.