这一块实在是因为之前没有过pytorch的经验，从0开始一步一步摸滚打爬。而且发现自己手总是处于闲置状态实在不好，每天还是写一些东西防止遗忘的过快吧。毕竟同一件事在不同的时间段看总会有一些不同的体会。
首先是说这一块的预训练模型，pytorch不愧是最有用户体验的一个工具，官方文档中这里给了一个resnet50的imagenet的预训练模型，具体的引用也给了一个很好的例子。导入torchvision包就可以解决这个问题。
下面这一个是从csdn blog中找到的一个说是能适配预训练模型的操作。
pretrained_params = torch.load('Pretrained_Model'）
model = The_New_Model(xxx)
model.load_state_dict(pretrained_params.state_dict(), strict=False)
这里的load是把pretrained的模型导入进来，转化的是一个字典类型，然后如果下方load_state_dict的时候确实是把对应层的参数传到进来，strict=False给的解释是如果没有和其匹配的参数就会摒弃。这样对于现在的工作确实倒是匹配进去了，打算在服务器上试试看结果如何。
发现上述问题并不是匹配进去了，因为所有层的关键词都有一些命名问题，这样的话首先第一点就是解决每一层命名读不到（因为是个字典类型）。更正参考nonlocal中的convert_model（在做。。）
经过如下操作学习得到了可以将模型中对应的key进行更改。一开始的读取方式有误，实际上不用enumerate读取就可以直接得到key和value。加上enumerate相当于自己给他定义了key和v导致读取有问题。
pickle读取问题：
这里我们用python3实验的话会产生一个无法读取assii码的问题，用下面转换加一个encoding方式解决。这里很感谢网上一位博主的说明，十分的有针对性。
import torch
import torchvision
import collections
import pickle
#net=torch.load('resnet50-19c8e357.pth')
f=open('r50_pretrain_c2_model_iter450450_clean.pkl','rb')
net=pickle.load(f,encoding='bytes')
new_dict=collections.OrderedDict()
print(net)
然而用pickle读取转到pth并不清楚中间有什么处理过程，待研究。最后是强行存储为pth文件后会报错，暂不清楚原因。
和实验室同一级大家比我确实拉了一大截了，这一点我很清楚，现在还是先把能做的做好，其他的在实践中慢慢补充基础知识吧...这研一还有考试是真的烦...还得为了奖学金拼一拼哎....
网友评论