Pytorch載入部分引數並凍結

pytorch 模型部分引數的載入

pytorch中，只匯入部分模型引數的做法

correct way to freeze layers

pytorch自由載入部分模型引數並凍結

pytorch凍結部分引數訓練另一部分

pytorch更新部分網路，其他不更新

pytorch固定部分引數(只訓練部分層)

如果載入現有模型的所有引數，我們常使用的是**如下：

torch.load（model.state_dict())

在訓練過程中，我們常常會使用預訓練模型，有時我們是在自己的模型中加入別人的某些模組，或者對別人的模型進行區域性修改，這個時候再使用torch.load（model.state_dict())，就會出現類似這些的錯誤：runtimeerror: error(s) in loading state_dict for net:missing key(s) in state_dict:***。出現這個錯誤就是某些引數缺失或者不匹配。

現有模型中引入的那部分網路結構的網路層的名稱和結構保持不變，這時候載入引數的**很簡單。

# 載入引入的網路模型
model_path = "***"
checkpoint = torch.load(os.path.join(model_path, map_location=torch.device('cpu'))
pretrained_dict = checkpoint['net']
# 獲取現有模型的引數字典
model_dict =  model.state_dict()
# 獲取兩個模型相同網路層的引數字典
state_dict = 
# update必不可少，實現相同key的value同步
model_dict.update(state_dict)
# 載入模型部分引數
model.load_state_dict(model_dict)

這個時候再直接使用上面的載入方法，會導致部分key的value無法實現更新。

我就曾在這個位置犯過很嚴重的錯誤。首先我定義了attentionresnet，這是乙個unet來實現影象分割，然後在另乙個模型中我使用了這個模型self.attention_map = attentionresnet(***)。因為我在引用的過程中並沒有對attentionresnet那部分**進行修改，所以本能的覺得這部分網路層的名稱是相同的，所以載入這部分引數時，我直接使用了上面的方法。這個錯誤隱藏了差不多乙個星期。直到我開始凍結這部分引數進行訓練時，發現情況不對。因為我在輸出attention_map的特徵圖時，我發現它是一張全黑圖（畫素全為0），這表示載入的引數不對，然後我嘗試輸出pretrained_dict時，它是乙個空字典。然後繼續輸出pretrained_dict.keys()(未修改之前的pretrained_dict)和model_dict.keys()發現預期相同的那部分key中都多了一部分attention_map.。問題主要出在self.attention_map = attentionresnet(***)這一句，它使原有的網路層名稱都加了個字首attention_map.，知道了錯誤，修改起來很簡單。

# 載入引入的網路模型
model_path = "***"
checkpoint = torch.load(os.path.join(model_path, map_location=torch.device('cpu'))
pretrained_dict = checkpoint['net']
# 獲取現有模型的引數字典
model_dict =  model.state_dict()
# 獲取兩個模型相同網路層的引數字典
state_dict = 
# update必不可少，實現相同key的value同步
model_dict.update(state_dict)
# 載入模型部分引數
model.load_state_dict(model_dict)

其實我這個位置的修改有點投機，更加常規的方法是：

引用自pytorch自由載入部分模型引數並凍結

我們看出只要構建乙個字典，使得字典的keys和我們自己建立的網路相同，我們在從各種預訓練網路把想要的引數對著新的keys填進去就可以有乙個新的state_dict了，這樣我們就可以load這個新的state_dict，這是最普適的方法適用於所有的網路變化。

先輸出兩個模型的引數字典，觀察需要載入的那部分引數所處的位置，然後利用for迴圈構建新的字典。

將需要固定的那部分引數的requires_grad置為false.

在優化器中加入filter根據requires_grad進行過濾.

ps: 解決attributeerror: 『nonetype』 object has no attribute 『data』問題的一種思路就是凍結引數，參考部落格

**如下：

# requires_grad置為false
for p in net.***.parameters():
p.requires_grad = false
# filter
optimizer.sgd(filter(lambda p: p.requires_grad, model.parameters()), lr=1e-3)

當需要凍結的那部分引數的網路層名稱不太明確時，可以採用pytorch凍結部分引數訓練另一部分的思路，列印出所有網路層，通過引數名稱進行凍結。

Pytorch載入部分引數並凍結

pytorch 模型部分引數的載入

pytorch 模型部分引數的載入

pytorch 更新部分引數（凍結引數）注意事項

相關推薦