pytorch学习007- -预训练中的权重加载（完全导入，部分导入）

更新

2022.04.12更新
导入权重的用法相当普遍，但是可以导入吗？导入有什么影响？
首先一定是可以导入的，但是导入之后是否有效果？那应该分以下情况讨论。

• 网络模型完全对应：这种情况可以导入，而且微调效果更好
• 网络模型不完全对应（小心这种情况）
  • 只是输出层有部分变化，可以导入
  • 中间层有变化，不建议导入

问题

1. 预训练后的权重如何导入另一个网络模型？
2. 预训练对应的网络模型A与未训练的网络模型结构B不对应？
   2.1 两个网络模型A和B只有部分对应
   2.2 集合关系上A属于B
   2.3 集合关系上B属于A

---

方案

PyTorch文档

• torch.nn.modules.module.Module def load_state_dict(self,
  state_dict: Dict[str, Tensor] | OrderedDict[str, Tensor],
  strict： bool = …) -> None
• 说明：将 state_dict 中的参数和缓冲区复制到此模块及其后代中。
  • 如果 strict 为 True，则 state_dict 的键必须与此模块的torch.nn.Module.state_dict 函数返回的键完全匹配
• 参数
  state_dict – 包含参数和持久缓冲区的字典。
  strict – 是否严格强制:
  • attr:state_dict 中的键与该模块的 :meth:~torch.nn.Module.state_dict 函数返回的键匹配。 默认值：“真”
• 返回值：
  • missing_keys 是包含缺失键的 str 列表
  • unexpected_keys 是包含意外键的 str 列表

模型对应，完全导入

# demo1 完全加载权重
model = NET1()
state_dict = model.state_dict()
weights = torch.load(weights_path)['model_state_dict'] #读取预训练模型权重
model.load_state_dict(weights)

模型不完全对应

此一种情况经常出现在要修改预训练网络模型中某些层时，可能增加若干层，可能减少若干层，或上述两种情况皆有。

只有部分对应

两个模型中有部分是对应的，此种情况建议使用PyTorch中的load_state_dict所提供的参数：strict
将strict设置为False，可以在两个模型不同的情况下，仅加载相同键值部分。（保证各层的名字相同）

# demo2
model = NET2()
state_dict = model.state_dict()
weights = torch.load(weights_path)['model_state_dict']	#读取预训练模型权重
model.load_state_dict(weights, strict=False)	#strict

A属于B

此种情况常见于，在网上download别人的预训练模型后，需要根据自己的任务，添加若干个层，而其他层保持不变。

# demo3
*****待测试

B属于A

此种情况常见于从网上download别人的预训练模型后，因为某些限制，需要对模型进行精简，只删除若干个层，其他层保持不变。

# demo4
*****待测试