当前位置 主页 > 网站技术 > 代码类 >

    Pytorch中实现只导入部分模型参数的方式

    栏目:代码类 时间:2020-01-02 21:04

    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。