pytorch对网络层的增，删， 改, 修改预训练模型结构

#下载模型参数
model.load_state_dict(torch.load('model.pth'))#再加载网络的参数

torch.load('model.pth')是获得网络参数

1.我们使用vgg11网络做示例， 看一下网络结构：

加载本地的模型：

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'))

加载库中的模型

import torch
import torch.nn as nn
from torchvision import models

net = models.vgg11(pretrained=True)
print(net)

1）（1）. 在网络中添加一层：

net网络是一个树型结构， net下面有三个结点，分别是(features, avgpoll, classifier), 我们先在features结点添加一层’lastlayer'层

net.features.add_module('lastlayer', nn.Conv2d(512,512, kernel_size=3, stride=1, padding=1))
print(net)

1）（2）. 在classifier结点添加一个线性层：

net.classifier.add_module('Linear', nn.Linear(1000, 10))
print(net)

2）（1）修改网络中的某一层(features 结点举例）：

net.features[8] = nn.Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
print(net)

 2）（2）修改网络中的某一层(classifier结点举例）：

net.classifier[6] = nn.Linear(1000, 5)
print(net)

注意： 这里我尝试对Linear这一层进行更新， 但是Linear名字是字符串， 提取不出来，所以应该在之前添加网络时候， 名字不要取字符串， 否则会报错  ‘  'str' object cannot be interpreted as an integer’。 

 3）（1） 网络层的删除（features举例） classifier结点的操作相同。

直接使用nn.Sequential()对改层设置为空即可

net.features[13] = nn.Sequential()
print(net)

 4）冻结网络中某些层 (直接使该层的requires_grad = False）即可, 这样在反向传播的时候,不会更新该层的参数

#冻结指定层的预训练参数：
net.feature[26].weight.requires_grad = False

5）.　第二种对网络结构的操作方法：

net.features = nn.Sequential(*list(net.features.children())[:-4])

可以看到后面4层被去除了， 就是说可以使用列表切片的方法来删除网络层

net.classifier 对应 net.classifier.children()

net.features 对应 net.features.children()

  1. 先加载网络结构

自己的模型， model的类要有定义才可以， 如果在其他.py文件中，可以导入文件，然后用文件中的类实例化对象。
model = torch.load(PATH)

 2.再加载网络参数

#下载模型参数

model.load_state_dict(torch.load('model.pth'))#再加载网络的参数

torch.load('model.pth')是获得网络参数