[深度学习 - 技巧] 通过修改预训练模型权重层修改模型输出_在深度学习中哪种技术用于在训练过程中调整模型权重的过程

前阵子做了个以图搜图特征编码模型啊。（详情看上一篇）
但是由于图库数据较大（上亿数据），所以2048维的特征编码存储量太大，一个特征8KB，用户并发起来服务器也够呛，而且java那边相似度计算也慢。

由于图库里面的图形都比较简单，老大觉得512够用了，要我修改网络输出到512维的特征编码。

但是模型网络那边提供的预训练模型，Resnet50只有输出层是2048维的。我们也不想换Resnet18（可能会较大的降低精度）。

因此我只能够再Resnet50的预训练权重包上面下手。

1. 修改网络结构

首先，我先看我的网络结构。（在这个位置：cirtorch/networks/imageretrievalnet.py）

根据我的网络初始化设置，我用的预训练包是Resnet50_w，也就是再Resnet50后面加了一层全连接网络。输出1 * 2048的特征编码。(如果可视化的看网络结构可以用https://netron.app 如下图所示。)

因此我只要修改全连接层的输入输出就行，输入保持不变2048（因为Resnet最后一层输出是 2048），输出改为512。

    if whitening:
        whiten = nn.Linear(2048, dim, bias=True)
    # 这里再上面设置了dim = 512
1
2
3

修改完我们的网络结构后，我们就要用这个网络加载权重，可是我们的权重包就跟上图一样，最后一层搭配不上。那我们需要怎么加载网络呢。

2. 修改模型权重

如下图所示，我们希望我们的模型权重最后一层长这样。

那就好办了。只需要再加载模型后，将weights的第一维砍掉3/4，同样bias也砍掉3/4。就可以完成加载权重了。如下代码。

temp_state = torch.load('weights/resnet50_dim2048.pth.tar')
temp_state['state_dict']['whiten.weight'] = temp_state['state_dict']['whiten.weight'][0::4, ::]
temp_state['state_dict']['whiten.bias'] = temp_state['state_dict']['whiten.bias'][0::4]
1
2
3

修改完后，要记得用新的预训练模型重新进行训练。