PyTorch模型读写、参数初始化、Finetune

悠悠 2022-09-11 02:28 232阅读 0赞

使用了一段时间PyTorch，感觉爱不释手（0-0），听说现在已经有C++接口。在应用过程中不可避免需要使用*Finetune/参数初始化/模型加载等。*

## **模型保存/加载** ##

## **1.*所有模型参数*** ##

训练过程中，有时候会由于各种原因停止训练，这时候我们训练过程中就需要注意将每一轮epoch的模型保存(一般保存最好模型与当前轮模型)。***一般使用pytorch里面推荐的保存方法。该方法保存的是模型的参数。***

#保存模型到checkpoint.pth.tar
    torch.save(model.module.state_dict(), ‘checkpoint.pth.tar’)

对应的加载模型方法为(这种方法需要先反序列化模型获取参数字典，***因此必须先load模型，再load\_state\_dict***)：

mymodel.load_state_dict(torch.load(‘checkpoint.pth.tar’))

有了上面的保存后，现以一个例子说明如何在***inference AND/OR resume train***使用。

#保存模型的状态，可以设置一些参数，后续可以使用
    state = {'epoch': epoch + 1,#保存的当前轮数
             'state_dict': mymodel.state_dict(),#训练好的参数
             'optimizer': optimizer.state_dict(),#优化器参数,为了后续的resume
             'best_pred': best_pred#当前最好的精度
              ,....,...}
    
    #保存模型到checkpoint.pth.tar
    torch.save(state, ‘checkpoint.pth.tar’)
    #如果是best,则复制过去
    if is_best:
        shutil.copyfile(filename, directory + 'model_best.pth.tar')
    
    checkpoint = torch.load('model_best.pth.tar')
    model.load_state_dict(checkpoint['state_dict'])#模型参数
    optimizer.load_state_dict(checkpoint['optimizer'])#优化参数
    epoch = checkpoint['epoch']#epoch，可以用于更新学习率等
    
    #有了以上的东西，就可以继续重新训练了，也就不需要担心停止程序重新训练。
    train/eval
    ....
    ....

上面是pytorch建议使用的方法，当然还有第二种方法。***这种方法灵活性不高，不推荐。***

#保存
    torch.save(mymodel,‘checkpoint.pth.tar’)
    
    #加载
    mymodel = torch.load(‘checkpoint.pth.tar’)

## **2.部分模型参数** ##

在很多时候，我们加载的是已经训练好的模型，而训练好的模型可能与我们定义的模型不完全一样，而我们只想使用一样的那些层的参数。

有几种解决方法：

（1）直接在训练好的模型开始搭建自己的模型，就是先加载训练好的模型，然后再它基础上定义自己的模型；

model_ft = models.resnet18(pretrained=use_pretrained)
    self.conv1 = model_ft.conv1
    self.bn = model_ft.bn
    ... ...

(2) 自己定义好模型，直接加载模型

#第一种方法：
    mymodelB = TheModelBClass(*args, **kwargs)
    # strict=False，设置为false,只保留键值相同的参数
    mymodelB.load_state_dict(model_zoo.load_url(model_urls['resnet18']), strict=False)
    
    #第二种方法：
    # 加载模型
    model_pretrained = models.resnet18(pretrained=use_pretrained)
    
    # mymodel's state_dict，
    # 如：  conv1.weight 
    #     conv1.bias  
    mymodelB_dict = mymodelB.state_dict()
    
    # 将model_pretrained的建与自定义模型的建进行比较，剔除不同的
    pretrained_dict = {k: v for k, v in model_pretrained.items() if k in mymodelB_dict}
    # 更新现有的model_dict
    mymodelB_dict.update(pretrained_dict)
    
    # 加载我们真正需要的state_dict
    mymodelB.load_state_dict(mymodelB_dict)
    
    # 方法2可能更直观一些

## **参数初始化** ##

第二个问题是参数初始化问题，在很多代码里面都会使用到，***毕竟不是所有的都是有预训练参数。这时就需要对不是与预训练参数进行初始化。***pytorch里面的每个Tensor其实是对`Variabl`的封装，其包含data、grad等接口，因此可以用这些接口直接赋值。这里也提供了怎样把其他框架(caffe/tensorflow/mxnet/gluonCV等)训练好的模型参数直接赋值给pytorch.其实就是对data直接赋值。

pytorch提供了初始化参数的方法：

def weight_init(m):
        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_()

但一般如果没有很大需求初始化参数，也没有问题(不确定性能是否有影响的情况下)，***pytorch内部是有默认初始化参数的。***

## **Fintune** ##

最后就是精调了，我们平时做实验，至少backbone是用预训练的模型，将其用作特征提取器，或者在它上面做精调。

用于***特征提取***的时候，要求特征提取部分参数不进行学习，而pytorch提供了requires\_grad参数用于确定是否进去梯度计算，也即是否更新参数。以下以minist为例，用resnet18作特征提取：

#加载预训练模型
    model = torchvision.models.resnet18(pretrained=True)
    
    #遍历每一个参数，将其设置为不更新参数，即不学习
    for param in model.parameters():
        param.requires_grad = False
    
    # 将全连接层改为mnist所需的10类，注意：这样更改后requires_grad默认为True
    model.fc = nn.Linear(512, 10)
    
    # 优化
    optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)

用于***全局精调***时，我们一般对不同的层需要设置不同的学习率，*预训练的层学习率小一点，其他层大一点。*这要怎么做呢？

# 加载预训练模型
    model = torchvision.models.resnet18(pretrained=True)
    model.fc = nn.Linear(512, 10)
    
    # 参考：https://blog.csdn.net/u012759136/article/details/65634477
    ignored_params = list(map(id, model.fc.parameters()))
    base_params = filter(lambda p: id(p) not in ignored_params, model.parameters())
    
    # 对不同参数设置不同的学习率
    params_list = [{'params': base_params, 'lr': 0.001},]
    params_list.append({'params': model.fc.parameters(), 'lr': 0.01})
    
    optimizer = torch.optim.SGD(params_list,
                        0.001，
                        momentum=args.momentum,
                        weight_decay=args.weight_decay)

最后整理一下目前，pytorch预训练的基础模型：

**（1）torchvision**

torchvision里面已经提供了不同的预训练模型，一般也够用了。

[pytorch/vision][pytorch_vision][github.com正在上传…重新上传取消][pytorch_vision]

包含了alexnet/densenet各种版本(densenet121/densenet169/densenet201/densenet161)/inception\_v3/resnet各种版本(resnet18', 'resnet34', 'resnet50', 'resnet101','resnet152')/SqueezeNet各种版本( 'squeezenet1\_0', 'squeezenet1\_1')/VGG各种版本( 'vgg11', 'vgg11\_bn', 'vgg13', 'vgg13\_bn', 'vgg16', 'vgg16\_bn','vgg19\_bn', 'vgg19')

![94a15618093ae86e9c6daf6307262aef.png][]

(2)***其他预训练好的模型***，如，SENet/NASNet等。

[Cadene/pretrained-models.pytorch][Cadene_pretrained-models.pytorch][github.com][Cadene_pretrained-models.pytorch]

(3)***gluonCV转pytorch的模型***，包括，**分类网络，分割网络**等，这里的精度均比其他框架高几个百分点。

[zhanghang1989/gluoncv-torch][zhanghang1989_gluoncv-torch][github.com正在上传…重新上传取消][zhanghang1989_gluoncv-torch]

![27f450a58012bec755e7b22deed554ca.png][]

[pytorch_vision]: https://link.zhihu.com/?target=https%3A//github.com/pytorch/vision/tree/master/torchvision/models
[94a15618093ae86e9c6daf6307262aef.png]: /images/20220828/39a7f4f029ee4542b463ececb112013e.png
[Cadene_pretrained-models.pytorch]: https://link.zhihu.com/?target=https%3A//github.com/Cadene/pretrained-models.pytorch
[zhanghang1989_gluoncv-torch]: https://link.zhihu.com/?target=https%3A//github.com/zhanghang1989/gluoncv-torch
[27f450a58012bec755e7b22deed554ca.png]: /images/20220828/310a30f1d0db43c3b3c76a8646d4a3ff.png