Pytorch中实现只导入部分模型参数的方式

我们在做迁移学习，或者在分割，检测等任务想使用预训练好的模型，同时又有自己修改之后的结构，使得模型文件保存的参数，有一部分是不需要的（don't expected）。我们搭建的网络对保存文件来说，有一部分参数也是没有的（missed）。如果依旧使用torch.load（model.state_dict())的办法，就会出现 xxx expected，xxx missed类似的错误。那么在这种情况下，该如何导入模型呢？

好在Pytorch中的模型参数使用字典保存的，键是参数的名称，值是参数的具体数值。我们使用model.state_dict()获得这个字典，之后就能利用参数名称来实现导入。

请看下面的一个例子。

我们先搭建一个小小的网络。

import torch as t
from torch.nn import Module
from torch import nn
from torch.nn import functional as F
class Net(Module):
 def __init__(self):
   super(Net,self).__init__()
   self.conv1 = nn.Conv2d(3,32,3,1)
   self.conv2 = nn.Conv2d(32,3,3,1)
   self.w = nn.Parameter(t.randn(3,10))
   for p in self.children():
     nn.init.xavier_normal_(p.weight.data)
     nn.init.constant_(p.bias.data, 0)
 def forward(self, x):
   out = self.conv1(x)
   out = self.conv2(x)

out = F.avg_pool2d(out,(out.shape[2],out.shape[3]))
   out = F.linear(out,weight=self.w)
   return out

然后我们保存这个网络的初始值。

model = Net()
t.save(model.state_dict(),'xxx.pth')

现在我们将Net修改一下，多加几个卷积层，但并不加入到forward中，仅仅出于少些几行的目的。

import torch as t
from torch.nn import Module
from torch import nn
from torch.nn import functional as F

class Net(Module):
 def __init__(self):
   super(Net, self).__init__()
   self.conv1 = nn.Conv2d(3, 32, 3, 1)
   self.conv2 = nn.Conv2d(32, 3, 3, 1)
   self.conv3 = nn.Conv2d(3,64,3,1)
   self.conv4 = nn.Conv2d(64,32,3,1)
   for p in self.children():
     nn.init.xavier_normal_(p.weight.data)
     nn.init.constant_(p.bias.data, 0)

self.w = nn.Parameter(t.randn(3, 10))
 def forward(self, x):
   out = self.conv1(x)
   out = self.conv2(x)

out = F.avg_pool2d(out, (out.shape[2], out.shape[3]))
   out = F.linear(out, weight=self.w)
   return out

我们现在试着导入之前保存的模型参数。

path = 'xxx.pth'
model = Net()
model.load_state_dict(t.load(path))

'''
RuntimeError: Error(s) in loading state_dict for Net:
Missing key(s) in state_dict: "conv3.weight", "conv3.bias", "conv4.weight", "conv4.bias".
'''

出现了没有在模型文件中找到error中的关键字的错误。

现在我们这样导入模型

path = 'xxx.pth'
model = Net()
save_model = t.load(path)
model_dict = model.state_dict()
state_dict = {k:v for k,v in save_model.items() if k in model_dict.keys()}
print(state_dict.keys()) # dict_keys(['w', 'conv1.weight', 'conv1.bias', 'conv2.weight', 'conv2.bias'])
model_dict.update(state_dict)
model.load_state_dict(model_dict)

看看上面的代码，很容易弄明白。其中model_dict.update的作用是更新代码中搭建的模型参数字典。为啥更新我其实并不清楚，但这一步骤是必须的，否则还会报错。

为了弄清楚为什么要更新model_dict，我们不妨分别输出state_dict和model_dict的关键值看一看。

for k in state_dict.keys():
 print(k)

'''
w
conv1.weight
conv1.bias
conv2.weight
conv2.bias
'''
for k in model_dict.keys():
 print(k)

'''
w
conv1.weight
conv1.bias
conv2.weight
conv2.bias
conv3.weight
conv3.bias
conv4.weight
conv4.bias
'''

这个结果也是预料之中的，所以我猜测，update之后，model_dict和state_dict中具有相同键的值已经同步了。updata的目的就是使model_dict带有state_dict中都具有的那一部分参数的值，对于model_dict中有的，但是save_dict中没有的参数，值不改变，参数仍然使用初始值。

来源：https://blog.csdn.net/qq_34914551/article/details/87871134