参数初始化参

数的初始化其实就是对参数赋值。而我们需要学习的参数其实都是Variable，它其实是对Tensor的封装，同时提供了data，grad等借口，这就意味着我们可以直接对这些参数进行操作赋值了。这就是PyTorch简洁高效所在。所以我们可以进行如下操作进行初始化，当然其实有其他的方法，但是这种方法是PyTorch作者所推崇的：

def weight_init(m):# 使用isinstance来判断m属于什么类型    if isinstance(m, nn.Conv2d):        n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels        m.weight.data.normal_(0, math.sqrt(2. / n))    elif isinstance(m, nn.BatchNorm2d):# m中的weight，bias其实都是Variable，为了能学习参数以及后向传播        m.weight.data.fill_(1)        m.bias.data.zero_()

Finetune

往往在加载了预训练模型的参数之后，我们需要finetune模型，可以使用不同的方式finetune。

局部微调：有时候我们加载了训练模型后，只想调节最后的几层，其他层不训练。其实不训练也就意味着不进行梯度计算，PyTorch中提供的requires_grad使得对训练的控制变得非常简单。

model = torchvision.models.resnet18(pretrained=True)

for param in model.parameters():

    param.requires_grad = False

# 替换最后的全连接层， 改为训练100类

# 新构造的模块的参数默认requires_grad为True

model.fc = nn.Linear(512, 100)

# 只优化最后的分类层

optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)

全局微调：有时候我们需要对全局都进行finetune，只不过我们希望改换过的层和其他层的学习速率不一样，这时候我们可以把其他层和新层在optimizer中单独赋予不同的学习速率。比如：

ignored_params = list(map(id, model.fc.parameters()))

base_params = filter(lambda p: id(p) not in ignored_params,

                     model.parameters())

optimizer = torch.optim.SGD([

            {'params': base_params},

            {'params': model.fc.parameters(), 'lr': 1e-3}

            ], lr=1e-2, momentum=0.9)

其中base_params使用1e-3来训练，model.fc.parameters使用1e-2来训练，momentum是二者共有的。

加载部分预训练模型：其实大多数时候我们需要根据我们的任务调节我们的模型，所以很难保证模型和公开的模型完全一样，但是预训练模型的参数确实有助于提高训练的准确率，为了结合二者的优点，就需要我们加载部分预训练模型。

pretrained_dict = model_zoo.load_url(model_urls['resnet152']) model_dict = model.state_dict() # 将pretrained_dict里不属于model_dict的键剔除掉 pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict} # 更新现有的model_dict model_dict.update(pretrained_dict) # 加载我们真正需要的state_dict model.load_state_dict(model_dict)

如果模型的key值和在大数据集上训练时的key值是一样的

我们可以通过下列算法进行读取模型

    model_dict = model.state_dict()

    pretrained_dict = torch.load(model_path)

 # 1. filter out unnecessary keys

    diff = {k: v for k, v in model_dict.items() if \

            k in pretrained_dict and pretrained_dict[k].size() == v.size()}

    pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict and model_dict[k].size() == v.size()}

    pretrained_dict.update(diff)

    # 2. overwrite entries in the existing state dict

    model_dict.update(pretrained_dict)

    # 3. load the new state dict

    model.load_state_dict(model_dict)

如果模型的key值和在大数据集上训练时的key值是不一样的，但是顺序是一样的

    model_dict = model.state_dict()

    pretrained_dict = torch.load(model_path)

    keys = []

    for k,v in pretrained_dict.items():

        keys.append(k)

    i = 0

    for k,v in model_dict.items():

        if v.size() == pretrained_dict[keys[i]].size():

            print(k, ',', keys[i])

            model_dict[k]=pretrained_dict[keys[i]]

        i = i + 1

    model.load_state_dict(model_dict)

如果模型的key值和在大数据集上训练时的key值是不一样的，但是顺序是也不一样的

自己找对应关系，一个key对应一个key的赋值