1.pytorch模型加载的方法

• pytorch有两种模型保存方法

1.1 保存整个神经网络的结构信息和模型的参数信息，save的对象是网络net

• 该方法保存的模型通过torch.load(’.pth’) ,直接初始化新的神经网络对象；

#保存模型
torch.save(model_object,'resnet.pth')
#加载模型
model=torch.load('resnet.pth')

1.2. 只保存神经网络的训练模型参数，save的对象是net.state_dict()

• 该方法保存的方式：首先是导入对应的网络，再通过net.load_state_dict(torch.load(’.pth’))完成模型参数的加载；

#将my_resnet模型存储为my_resnet.pth
torch.save(my_resnet.state_dict(),"my_resnet.pth")
#加载resnet，模型存放在my_resnet.pth
my_resnet.load_state_dict(torch.load("my_resnet.pth"))
#其中my_resnet是my_resnet.pth对应的网络结构；

1.3pytorch预训练模型

1. 加载预训练模型

#pytorch中torchvision里面有很多常用的模型，可以直接调用；
#resnet101=models.resnet18()
#alexnet=models.alexnet()
#squeezenet=models.squeezenet1_0()
#densenet=models.densenet_161()
import torchvision.models as models
#加载预训练的模型和参数
resnet18=models.resnet18(pretrained=True)
#当pretrained参数设置为True时是加载预训练模型和参数；可能由于网络原因无法下载，请从github上的手动下载； 

1.4只加载模型，不加载预训练的参数

#导入模型结构
resnet18=models.resnet18(pretrained=False)
#加载预先下载好的预训练模型参数到resnet18中
resnet18.load_state_dict(torch.load('resnet18-5c106cde.pth'))

1.5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，所以很难保持模型和公开的模型完全一样，但是预训练模型的参数确是有助于提供训练的准确率，为了结合两者的优点，就需要我们加载部分的预训练模型；

resnet152=models.resnet152(pretrained=True)
pretrained_dict=resnet152.state_dict()
#加载torchvision中预训练的模型和参数后通过statie_dict()方法提取参数
#也可以直接从官网下载model_zoo
#pretrained_dict=model_zoo.load_url(model_urls['resnet152'])
model_dict=model.state_dict()
#将pretrained_dict里不属于model_dict的键去除掉
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)
#加载真正需要的state_dict
model.load_state_dict(model_dict)

1.6微该基础模型

• 对于一些任务而言，有些层并不是直接能用的，需要我们进行稍微改一下，比如，resnet最后的全连接层是分1000类，而我们此时只要21类；又比如，resnet第一层卷积层接收的通过是3，我们可以输入图片的通道是4，那么可以通过以下方法进行修改：

resnet.conv1=nn.Conv2d(4,64,kernel_size=7,stride=2,padding=3,bias=False)
resnet.fc=nn.Linear(2048,21)

• 简单预训练

#首先从torchvision中调用基本模型，加载预训练的模型，然后，将其中的层直接替换为我们需要的层：
resnet=torchvision.models.resnet152(pretrained=True)
#上面预训练的参数会直接加载预训练的模型，
#原先为1000类，改为10类即替换
resnet.fc=torch.nn.Linear(2048,10)

2.pytorch使用总结(持续更新…)

• torch.Tensor：是一个多维数组
• autograd.Variable:改变Tensor并记录下操作的历史记录。和Tensor拥有相同的API,以及backward()的一些API,同时包含这和张量相关的梯度；
• nn.Module ：神经网络模块，便捷的数据封装，能够将运算移往GPU，还包括一些输入输出的东西；
• nn.Parameter :一种变量，当将任何值赋予Module时自动注册为一个参数；
• autograd.Function:实现了使用自动求导方法的前馈和后馈的定义，每个Variable的操作都会生最少一个独立的Function节点，与生成的Variable的函数相连后记录下的操作记录；

2.1Tensors与numpy之间的转换

#这里演示的是tensor和numpy数据结构的相互转换
import torch
a=torch.ones(5)  #生成5个float型的1
b=a.numpy()  #将a和b关联，torch的tensor转为numpy型的a
a.add_(1)  #数组a中所有元素加1
print(a)
print(b)   #相关联的数组b的值也都加了1；

#将numpy中的array转换为torch的Tensor
import numpy as np
a=np.ones(5)
b=torch.from_numpy(a)
np.add(a,1,out=a)  #所有元素加1
print(a)
print(b)  #数组b也改变了

2.2autograd.Variable类

• autograd.Variable这个包是最核心的类；它包装了一个Tensor，并且几乎支持所以的定义在其上的操作。一旦完成了你的运算，你可以调用.backward()来自动计算出所以的梯度；
• 可以通过属性.data来访问原始的tensor，而关于这一Variable的梯度则集中在.grad属性中；

2.3torch.nn只接受小批量的数据

• 整个torch.nn包只接受那种小批量样本的数据，而不是单个样本，例如，nn.Conv2d的结构是一个四维的Tensor n Samples x n Channels x Height x Width.如果输入的是单个样本，但是input.unsqueeze(0)来加一个假维度就可以了；

2.4数据的读入

• 通常来讲，当处理图像，声音，文本，视频时需要使用python中的其他独立的包将它们转换为numpy中的数组，之后再转换为torch.*Tensor

1. 图像的话，可以使用Pillow，OpenCV
2. 声音处理可以使用scipy和librosa
3. 文本的处理使用原生的python或Cython以及NLTK和SpaCy都可以；

• 特别，对于图像，我们有torchvision这个包可用，其中包含了一些现成的数据集如：imagenet,CIFAR10，MNIST等等，同时还有一些转换图像用的工具。这样非常的方便并且避免了写样版代码

参考:
pytorch中文官方文档
github下pytorch模型下载
pytorh加载模型和参数
pytorch预训练
pytorch使用总结