pytorch不加载fc_pytorch预训练

Pytorch预训练模型以及修改

pytorch中自带几种常用的深度学习网络预训练模型，torchvision.models包中包含alexnet、densenet、inception、resnet、squeezenet、vgg等常用网络结构，并且提供了预训练模型，可通过调用来读取网络结构和预训练模型(模型参数)。往往为了加快学习进度，训练的初期直接加载pretrain模型中预先训练好的参数。加载model如下所示：

import torchvision.models as models

1.加载网络结构和预训练参数：resnet34 = models.resnet34(pretrained=True)

2.#只加载网络结构，不加载预训练参数，即不需要用预训练模型的参数来初始化：

resnet18 = models.resnet18(pretrained=False) #pretrained参数默认是False,为了代码清晰，最好还是加上参数赋值.

print resnet18 #打印网络结构

resnet18.load_state_dict(torch.load(path_params.pkl))#其中，path_params.pkl为预训练模型参数的保存路径。加载预先下载好的预训练参数到resnet18，用预训练模型的参数初始化resnet18的层，此时resnet18发生了改变。调用model的load_state_dict方法用预训练的模型参数来初始化自己定义的新网络结构，这个方法就是PyTorch中通用的用一个模型的参数初始化另一个模型的层的操作。load_state_dict方法还有一个重要的参数是strict，该参数默认是True，表示预训练模型的层和自己定义的网络结构层严格对应相等(比如层名和维度)。故，当新定义的网络(model_dict)和预训练网络(pretrained_dict)的层名不严格相等时，需要先将pretrained_dict里不属于model_dict的键剔除掉 ：

pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict} ，再用预训练模型参数更新model_dict，最后用load_state_dict方法初始化自己定义的新网络结构。

print resnet18 #打印的还是网络结构

注意: cnn = resnet18.load_state_dict(torch.load( path_params.pkl )) #是错误的，这样cnn将是nonetype

pre_dict = resnet18.state_dict() #按键值对将模型参数加载到pre_dict

print for k, v in pre_dict.items(): # 打印模型参数

for k, v in pre_dict.items():

print k  #打印模型每层命名

#model是自己定义好的新网络模型，将pretrained_dict和model_dict中命名一致的层加入pretrained_dict(包括参数)。

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

预训练模型的修改(具体要求不同，则用到的修改方式不同。)

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。 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：

# coding=UTF-8

import torchvision.models as models

#调用模型

model = models.resnet50(pretrained=True)

#提取fc层中固定的参数

fc_features = model.fc.in_features

#修改类别为9

model.fc = nn.Linear(fc_features, 9)

2. 增减卷积层 (待补充)

前一种方法只适用于简单的参数修改，有时候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。

3. 训练特定层，冻结其它层

另一种使用预训练模型的方法是对它进行部分训练。具体做法是，将模型起始的一些层的权重保持不变，重新训练后面的层，得到新的权重。在这个过程中，可多次进行尝试，从而能够依据结果找到frozen layers和retrain layers之间的最佳搭配。

如何使用预训练模型，是由数据集大小和新旧数据集(预训练的数据集和自己要解决的数据集)之间数据的相似度来决定的。

下图表展示了在各种情况下应该如何使用预训练模型：

Pytorch保存与加载网络模型，有以下两种方式： (推荐第二种)

一、是保存整个神经网络的的结构信息和模型参数信息，save的对象是网络net；

torch.save(model_object, 'model.pkl')  # 保存整个神经网络的结构和模型参数

重载：model = torch.load('model.pkl') #重载并初始化新的神经网络对象。

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

torch.save(model_object.state_dict(), 'params.pkl')  # 只保存神经网络的模型参数

需要首先导入对应的网络，通过model_object.load_state_dict(torch.load('params.pkl'))完成模型参数的重载和初始化新定义的网络。

PyTorch中使用预训练的模型初始化网络的一部分参数

#首先自己新定义一个网络

class CNN(nn.Module):

def __init__(self, block, layers, num_classes=9): #自己新定义的CNN与继承的ResNet网络结构大体相同，即除了新增层，其他层的层名与ResNet的相同。

self.inplanes = 64

super(ResNet, self).__init__() #继承ResNet网络结构

self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3, bias=False)

self.bn1 = nn.BatchNorm2d(64)

self.relu = nn.ReLU(inplace=True)

self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)

self.layer1 = self._make_layer(block, 64, layers[0])

self.layer2 = self._make_layer(block, 128, layers[1], stride=2)

self.layer3 = self._make_layer(block, 256, layers[2], stride=2)

self.layer4 = self._make_layer(block, 512, layers[3], stride=2)

self.avgpool = nn.AvgPool2d(7, stride=1)

#新增一个反卷积层

self.convtranspose1 = nn.ConvTranspose2d(2048, 2048, kernel_size=3, stride=1, padding=1, output_padding=0, groups=1, bias=False, dilation=1)

#新增一个最大池化层

self.maxpool2 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)

#将原来的fc层改成fclass层

self.fclass = nn.Linear(2048, num_classes) #原来的fc层：self.fc = nn.Linear(512 * block.expansion, num_classes)

for m in self.modules(): #

if isinstance(m, nn.Conv2d):

n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels #

m.weight.data.normal_(0, math.sqrt(2. / n))

elif isinstance(m, nn.BatchNorm2d):

m.weight.data.fill_(1)

m.bias.data.zero_()

def _make_layer(self, block, planes, blocks, stride=1):

downsample = None

if stride != 1 or self.inplanes != planes * block.expansion:

downsample = nn.Sequential(

nn.Conv2d(self.inplanes, planes * block.expansion,

kernel_size=1, stride=stride, bias=False),

nn.BatchNorm2d(planes * block.expansion),

)

layers = [ ]

layers.append(block(self.inplanes, planes, stride, downsample))

self.inplanes = planes * block.expansion

for i in range(1, blocks):

layers.append(block(self.inplanes, planes))

return nn.Sequential(*layers)

def forward(self, x):

x = self.conv1(x)

x = self.bn1(x)

x = self.relu(x)

x = self.maxpool(x)

x = self.layer1(x)

x = self.layer2(x)

x = self.layer3(x)

x = self.layer4(x)

x = self.avgpool(x)

#3个新加层的forward

x = x.view(x.size(0), -1) #因为接下来的self.convtranspose1层的输入通道是2048

x = self.convtranspose1(x)

x = self.maxpool2(x)

x = x.view(x.size(0), -1)  #因为接下来的self.fclass层的输入通道是2048

x = self.fclass(x)

return x

#加载model

resnet50 = models.resnet50(pretrained=True)

cnn = CNN(Bottleneck, [3, 4, 6, 3]) #创建一个自己新定义的网络对象cnn。

pretrained_dict = resnet50.state_dict() #记录预训练模型的参数：resnet50.state_dict()。若已存在 resnet50.state_dict()对应的模型参数文件 'params.pkl'，则此句代码等价于：pretrained_dict =torch.load(path_params.pkl) ？其中，path_params.pkl为' params.pkl '的保存路径。

model_dict = cnn.state_dict()  #自己新定义网络的参数

# 将pretrained_dict里不属于model_dict的键剔除掉 ，因为后面的cnn.load_state_dict()方法有个重要参数是strict，默认是True，表示预训练模型的层和自己定义的网络结构层严格对应相等(比如层名和维度)。

pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict} #只能对层名一致的层进行“层名：参数”键值对赋值。

# 更新现有的model_dict

model_dict.update(pretrained_dict)

# 加载我们真正需要的模型参数state_dict

cnn.load_state_dict(model_dict) #cnn.load_state_dict()方法对cnn初始化，其一个重要参数strict，默认为True，表示预训练模型(model_dict)的层和自己定义的网络结构(cnn)的层严格对应相等(比如层名和维度)。

print(cnn)

后续在此基础上继续重新进行训练，如下面即将介绍的：选择特定的层进行finetune。

选择特定的层进行finetune

先使用Module.children()方法查看网络的直接子模块，将不需要调整的模块中的参数设置为param.requires_grad = False，同时用一个list收集需要调整的模块中的参数。具体代码为：

count = 0

para_optim = []

for k in model.children():

count += 1

if count > 6:   # 6 should be changed properly

for param in k.parameters():

para_optim.append(param)

else:

for param in k.parameters():

param.requires_grad = False

optimizer = optim.RMSprop(para_optim, lr)#只对特定的层的参数进行优化更新，即选择特定的层进行finetune。

到此我们实现了PyTorch中使用预训练的模型初始化网络的一部分参数。

此部分主要参考PyTorch教程的Autograd machnics部分

1.在PyTorch中，每个Variable数据含有两个flag(requires_grad和volatile)用于指示是否计算此Variable的梯度。设置requires_grad = False，或者设置volatile=True，即可指示不计算此Variable的梯度：

for param in model.parameters():

param.requires_grad = False

注意，在模型测试时，对input_data设置volatile=True，可以节省测试时的显存 。

2.PyTorch的Module.modules()和Module.children()

参考PyTorch document和discuss

在PyTorch中，所有的neural network module都是class torch.nn.Module的子类，在Modules中可以包含其它的Modules，以一种树状结构进行嵌套。当需要返回神经网络中的各个模块时，Module.modules()方法返回网络中所有模块的一个iterator，而Module.children()方法返回所有直接子模块的一个iterator。具体而言：

list ( nn.Sequential(nn.Linear(10, 20), nn.ReLU()).modules())

Out[9]:

[Sequential (

(0): Linear (10 -> 20)

(1): ReLU ()

), Linear (10 -> 20), ReLU ()]

In [10]: list( nn.Sequential(nn.Linear(10, 20), nn.ReLU()) .children())

Out[10]: [Linear (10 -> 20), ReLU ()]

举例：Faster-RCNN基于vgg19提取features，但是只使用了vgg19一部分模型提取features。

步骤：

下载vgg19的pth文件，在anaconda中直接设置pretrained=True下载一般都比较慢，在model_zoo里面有各种预训练模型的下载链接：

model_urls = {

'vgg11': 'https://download.pytorch.org/models/vgg11-bbd30ac9.pth',

'vgg13': 'https://download.pytorch.org/models/vgg13-c768596a.pth',

'vgg16': 'https://download.pytorch.org/models/vgg16-397923af.pth',

'vgg19': 'https://download.pytorch.org/models/vgg19-dcbb9e9d.pth',

'vgg11_bn': 'https://download.pytorch.org/models/vgg11_bn-6002323d.pth',

'vgg13_bn': 'https://download.pytorch.org/models/vgg13_bn-abd245e5.pth',

'vgg16_bn': 'https://download.pytorch.org/models/vgg16_bn-6c64b313.pth',

'vgg19_bn': 'https://download.pytorch.org/models/vgg19_bn-c79401a0.pth'  }

下载好的模型，可以用下面这段代码看一下模型参数，并且改一下模型。在vgg19.pth同级目录建立一个test.py。

import torch

import torch.nn as nn

import torchvision.models as models

vgg16 = models.vgg16(pretrained=False)

#打印出预训练模型的参数

vgg16.load_state_dict(torch.load('vgg16-397923af.pth'))

print('vgg16:\n', vgg16)

modified_features = nn.Sequential(*list(vgg16.features.children())[:-1])

# to relu5_3

print('modified_features:\n', modified_features )#打印修改后的模型参数

修改好之后features就可以拿去做Faster-RCNN提取特征用了。