最近在学习pytorch，把踩过的坑，整理一下。

1、预训练模型的加载问题

在模型加载过程中，常用的有两种方式：

（1）直接保存加载训好的模型

torch.save(model, 'src/model.pth')  # 直接保存模型
model = torch.load('src/model.pth')  # 直接加载模型

（2）只加载模型参数，进行训练

model = ...  # 训练好的模型
torch.save(model.state_dict(), 'src/params.pth')  # 只保存模型参数
# -----------------------------------------------
model = ...  # 新的模型（没训练） 
model.load_state_dict(torch.load('src/params.pth'))  # 加载模型参数，并更新到模型中

（3）模型保存的问题

• A、如果只保存模型参数，其实就把参数用字典的形式保存下来，我们如果只需要其中的几层或者仅只修改后面一层，我们只需把要修改的层替换掉，即可。

#把不属于新模型 model_dict 的参数， 除掉。pretrained_dict是预训练参数
pretrained_dict =  {k: v for k, v in pretrained_dict.items() if k in model_dict} 

• B、如果在使用多卡训练模型时，即使用model = torch.nn.DataParallel(model, device_ids=device_ids)，在保存模型参数时，建议使用torch.save(model.module.state_dict(), 'src/params.pth')，否则，保存的模型参数中的key 的名字会多出module，具体可根据程序进行修改。

2、用训练好的模型预测代码实现

#!/usr/bin/python
# -*- coding: UTF-8 -*-

import torchvision as tv
import torchvision.transforms as transforms
import torch as t
from PIL import Image


def pridict():

    device = t.device("cuda" if t.cuda.is_available() else "cpu")
    model = tv.models.resnet18(pretrained=True)  # 创建一个模型
    model = model.to(device)

    model.eval()  # 预测模式

    # 获取测试图片，并行相应的处理
    img = Image.open('cat.jpg')
    transform = transforms.Compose([transforms.Resize(256),  # 重置图像分辨率
                                    transforms.CenterCrop(224),  # 中心裁剪
                                    transforms.ToTensor(), ])
    img = img.convert("RGB")  # 如果是标准的RGB格式，则可以不加
    img = transform(img)
    img = img.unsqueeze(0)
    img = img.to(device)

    with t.no_grad():
        py = model(img)
    _, predicted = t.max(py, 1)  # 获取分类结果
    classIndex_ = predicted[0]

    print('预测结果', classIndex_)


if __name__ == '__main__':
    pridict()

声明： 总结学习，有问题或不当之处，可以批评指正哦，谢谢。

参考链接

模型预测问题：https://www.jianshu.com/p/a4011b31466c