迁移学习技巧+网络关键字比预训练模型关键字多前缀_预训练权重少前缀

一、修改预训练模型中的全连接层参数：

方式1：修改字典的方式

import torch
import torch.nn as nn
import torchvision
 
class ResNet(nn.Module):
    def __init__(self):
        super(ResNet, self).__init__()
   
        if pretrained == True:
            # 获取ResNet34的预训练权重
            resnet34 = torchvision.models.resnet34(pretrained=True)
            pretrained_dict = resnet34.state_dict()
            """加载torchvision中的预训练模型和参数后通过state_dict()方法提取参数
               也可以直接从官方下载：
               pretrained_dict = model_zoo.load_url(model_urls['resnet152'])"""
            # 获取当前模型的参数字典
            model_dict = [自己模型名称].state_dict()
            # 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}
            # 更新现有的model_dict
            model_dict.update(pretrained_dict)
            # 加载我们真正需要的state_dict
            self.load_state_dict(model_dict)
            print('成功加载预训练权重')
     
if __name__ == '__main__':
    resnet = ResNet()
    resnet.init_weights(pretrained=True)
-----------------------------------

方式2：修改网络层，

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点击打开链接

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)

有关网络属性参数的使用 

pretrained_dict = torch.load(model_weight_path, map_location=device)
model_dict = net.state_dict()
pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}  
model_dict.update(pretrained_dict)
# 加载我们真正需要的state_dict
net.load_state_dict(model_dict)
 
for k, v in pretrained_dict.items()：
    print(k)
for k, v in model_dict.items()：
    print(k)
#上面两种的for的输出将会是一样的，一个来自定义的网络结构，一个来自网络的预训练模型.pth中

二：网络关键字比预训练模型关键字多前缀

net = parsingNet(pretrained = True, backbone=cfg.backbone,cls_dim = (cfg.griding_num+1,cls_num_per_lane, cfg.num_lanes),use_aux=cfg.use_aux).cuda()
    # -------------------------
    #加载hornet_backbone 预训练权重
    # -------------------------
    pretrained_dict = torch.load('hornet_tiny_7x7.pth',map_location='cpu')
    # state_dict = torch.load('tusimple_18.pth',map_location='cpu')
    model_dict = net.state_dict()

此时网络的关键字前缀比预训练关键字多一个前缀，即大部分关键字都是相同的。

for k,v in pretrained_dict['model'].items():
    print(k)
    
downsample_layers.0.0.weight
downsample_layers.0.0.bias
downsample_layers.0.1.weight
downsample_layers.0.1.bias
···
-----------------------------------------------------------
for k,v in model_dict.items():
    print(k)
    
model.downsample_layers.0.0.weight
model.downsample_layers.0.0.bias
model.downsample_layers.0.1.weight
model.downsample_layers.0.1.bias
#此时可以看到前缀多了model,要和使用多GPU训练出现的module区分开

为了可以正确将预训练权重加载进网络中，我们可以将预训练中的权重加载到网络对应的关键字中：

    keys = []
    for k, v in pretrained_dict['model'].items():
           keys.append(k)
    i = 0
    for k, v in model_dict.items():
        if v.size() == pretrained_dict['model'][keys[i]].size(): 
             model_dict[k] = pretrained_dict['model'][keys[i]]   #权重
             #print(model_dict[k])
             i = i + 1
    net.load_state_dict(model_dict)

这种方法只能将预训练中的参数加载到网络中，对于网络的其他部分（自己加的如pool,droop等层的参数）需要自己重新训练或者提前初始化。

验证：

>>>pretrained_dict['model']['downsample_layers.2.0.weight']
 
tensor([0.2275, 0.2362, 0.7987, 0.6742, 1.1917, 0.7307, 0.7106, 0.9949, 0.4314,
        0.4631, 1.0183, 0.2990, 0.2896, 0.2745, 1.0126, 0.7838, 0.5174, 0.3277,
        ···
>>>model_dict['model.downsample_layers.2.0.weight']
 
tensor([0.2275, 0.2362, 0.7987, 0.6742, 1.1917, 0.7307, 0.7106, 0.9949, 0.4314,
        0.4631, 1.0183, 0.2990, 0.2896, 0.2745, 1.0126, 0.7838, 0.5174, 0.3277,
        ···
#由此我们知道权重正确加载到网络中

修改关键字方法：（不建议）

    pretrained_dict = torch.load('hornet_tiny_7x7.pth',map_location='cpu')
 
    model_dict = net.state_dict()
 
    from collections import OrderedDict
    new_state_dict = OrderedDict()
 
    # for k, v in mgn_state_dict.items():
    #     name = k[7:]  # remove `module.`
    #     new_state_dict[name] = v
    # self.model = self.model.load_state_dict(new_state_dict)
 
    for k, v in pretrained_dict['model'].items():
        name = "model." + k  # add `model.`
        print(name)
        new_state_dict[name] = v       #这种方式有弊端就是前面的正常加载，对于后面net中新加入的层并不会有对应的权重,最好使用对应赋值的方式
    net.load_state_dict(new_state_dict)   # 此处会报错，这种情况需要修改网络内容

其他博主提供的方法：网络关键字比预训练多一个前缀，在我的网络中并未能使用，供参考。

参考：pytorch 预训练模型读取修改相关参数填坑_DRACO于的博客-CSDN博客