一.概念

模型=网络结构+网络参数
网络结构：VGG ，RASNet……
网络参数：网络结构中kernel，weight之类的数据

二.怎么得到模型

1.下载别人的网络结构

我们有时候会借鉴别人的网络，大多数情况下他们会在GitHub中放上已经训练好的模型，这个时候，你就可以下载下来直接用。
ps:大多都在README的文件中会放一个云盘的链接，点链接下载。

2.保存自己的网络模型

if ite_num % save_frq == 0:

	print(model_dir + model_name+"_bce_itr_%d_train_%3f_tar_%3f.pth" % (ite_num, running_loss / ite_num4val, running_tar_loss / ite_num4val))
	torch.save(net, model_dir + model_name+"_bce_itr_%d_train_%3f_tar_%3f.pth" % (ite_num, running_loss / ite_num4val, running_tar_loss / ite_num4val))
            

我们可以设置一个阈值，规定都是个跑多少个ite的时候保存模型。
保存模型的时候最好把模型的相关数据一起加上去，便于后期的查看。

三.保存与加载

1.保存的是模型还是参数

保存模型：torch.save(net,path)
保存参数：torch.save(net.state_dict(),path)

个人觉的保存模型比保存参数好
因为模型包含参数，可以从模型中读取参数(下面第3点介绍）。
而且保存的pth大小差距不大。

2.怎么加载模型

下载模型：net=torch.load("D:/1.pth",map_location='cpu')

加载参数:

net=VGG()        #首先你要得到相关网络的模型，里面的参数会自动随机初始化`
net.load_state_dict(torch.load("D:/2.pth",map_location='cpu)  #更新得到更优的网络

3.怎么由模型得到数据

shu_ju=net.state_dict()

四.小问题

如果自己的网络与模型的网络不一样怎么办/怎么训练改进后的网络？

先冻结参数，然后修改优化器。

冻结参数有两种方法：
1.在原来的参数基础上直接与改进的参数一起训练。
2.冻结原来的数据，训练改机的网络一段时间后再解冻一起训练。

粗暴训练法

这个时候就要用三.2中的加载参数了,不同的是，我们在load_state_dict的时候添加了False的关键字，表示不严格的加载，即只加载关键字相同的参数（这里的False的F记得大写。。。踩过坑）。

net=VGG()        #首先你要得到相关网络的模型，里面的参数会自动随机初始化`
net.load_state_dict(torch.load("D:/2.pth",map_location='cpu,strict=False)  #更新得到更优的网络

这样就可以把net扔进循环开始训练了

---

在修改某个卷积核的大小，发现设置不严格加载还是加载不了。
个人觉得，之前加载的上去是因为新网络中的k,v不存在于要加载的模型数据中，所以不会报错。
而这次我只改了卷积核大小，而对应的k,v还是存在要加载的模型数据中，在更新的时候匹配不上导致报错。

一种方法：

https://blog.csdn.net/hxxjxw/article/details/119491163

如果发生上述情况的话，那就需要把加载到的模型的中，不匹配的那几项删掉，然后加载其他项

x = torch.load(self.weight)
del x['char_recognizer.classifier.bias']
del x['char_recognizer.classifier.weight']
self.load_state_dict(x, strict=False)

法二（推荐）：

    model = ResNet(Bottleneck, [3, 4, 6, 3])
    if pretrained:
        state_dict = load_state_dict_from_url("https://download.pytorch.org/models/resnet50-19c8e357.pth",
                                              model_dir="./model_data")

        pretrained_dict = {k: v for k, v in state_dict.items() if k in model}

        model.load_state_dict(pretrained_dict)

小总结

    model = ResNet(Bottleneck, [3, 4, 6, 3])
    if pretrained:
        state_dict = load_state_dict_from_url("https://download.pytorch.org/models/resnet50-19c8e357.pth",
                                              model_dir="./model_data")

        pretrained_dict = {k: v for k, v in state_dict.items() if k in model}

        model.load_state_dict(pretrained_dict)
    # ----------------------------------------------------------------------------#
    #   获取特征提取部分，从conv1到model.layer3，最终获得一个38,38,1024的特征层
    # ----------------------------------------------------------------------------#

    features = list([model.conv1, model.bn1, model.relu, model.maxpool, model.layer1, model.layer2, model.layer3])
    # ----------------------------------------------------------------------------#
    #   获取分类部分，从model.layer4到model.avgpool
    # ----------------------------------------------------------------------------#
    classifier = list([model.layer4, model.avgpool])

    features = nn.Sequential(*features)
    classifier = nn.Sequential(*classifier)

可以通过nn.Sequential(*features)的方式来从已经训练好的网络中获取对应的参数。
这样可以便于自己的训练，并且他们训练的网络的肯定比我们训练的要好。

更新（2022年5月15日14:08:16）

---

冻结训练法

怎么冻结？——> 神经网络如何训练？——> 依靠方向传播 ——> 梯度

网络中有一个requires_grad的参数的可以更改，如果为False的话，就可以达到冻结效果。

for p in self.parameters():
    p.requires_grad = False

比如加载了resnet预训练模型之后，在resenet的基础上连接了新的模快，resenet模块那部分可以先暂时冻结不更新，只更新其他部分的参数，那么可以在下面加入上面那句话。

class RESNET_MF(nn.Module):
    def __init__(self, model, pretrained):
        super(RESNET_MF, self).__init__()
        self.resnet = model(pretrained)
        for p in self.parameters():
            p.requires_grad = False
        self.f = SpectralNorm(nn.Conv2d(2048, 512, 1))
        self.g = SpectralNorm(nn.Conv2d(2048, 512, 1))
        self.h = SpectralNorm(nn.Conv2d(2048, 2048, 1))
        ...

我个人认为也可以这样：
法一：

net=load("D:/2.pth",map_loaction='cpu')
for key, value in net.named_parameters():
	value.requires_grad = False

先直接把原来的模型中的requires_grad 全改为False，然后再更新到新的网络中。。

法二：
直接更新网络

net.load_state_dirc(torch.load(D:/1.pth),False)
#跳过改进的地方
for key, value in net.named_parameters():
    if not ("beta" in key or "gamma" in key or 'alpha' in key):
        value.requires_grad = True

修改优化器

在优化器中添加：

filter(lambda p: p.requires_grad, model.parameters())

用于过滤冻结的参数

optimizer = optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr=0.001, betas=(0.9, 0.999),
                               eps=1e-08, weight_decay=1e-5)

训练一段时间后，我们就可以解冻，然后进行微调网络。

其他

1.model 加载不上

model的配置没有错误，但是就是加载不上。报错的时候，keys前面多了’model‘或者’modul’
那是多卡训练导致，可以参考下面这个链接
PyTorch单卡/多卡下模型保存/加载