Pytorch有很多方便易用的包，今天要谈的是torchvision包，它包括3个子包，分别是： torchvison.datasets ，torchvision.models ，torchvision.transforms ，分别是预定义好的数据集(比如MNIST、CIFAR10等)、预定义好的经典网络结构(比如AlexNet、VGG、ResNet等)和预定义好的数据增强方法(比如Resize、ToTensor等)。这些方法可以直接调用，简化我们建模的过程，也可以作为我们学习或构建新的模型的参考。

本文，我们讲述的是models，且只谈模型的加载。models这个包中包含alexnet、densenet、inception、resnet、squeezenet、vgg等常用的网络结构，并且提供了预训练模型，可以通过简单调用来读取网络结构和预训练模型。

模型地址：https://github.com/pytorch/vision/tree/master/torchvision/models

官方文档：https://pytorch.org/docs/master/torchvision/models.html

我将加载的方法简单总结为以下四种：

1.直接加载预训练模型

1 importtorchvision.models as models2

3 resnet50 = models.resnet50(pretrained=True)

这样就导入了resnet50的预训练模型了。

如果只需要网络结构，不需要用预训练模型的参数来初始化，那么就是：

model =torchvision.models.resnet50(pretrained=False)

或者把resnet复制到自己的目录下，新建个model文件夹

可以参考下面的猫狗大战入门算法入门

https://github.com/JackwithWilshere/Kaggle-Dogs_vs_Cats_PyTorch

2.修改某一层

以resnet为例，默认的是ImageNet的1000类，比如我们要做二分类，分类猫和狗

1 resnet.fc = nn.Linear(2048, 2) #resnet 第一层卷积的卷积核是7，我们可能想改成5，那么可以通过以下方法修改：

2

3 #未经试验，修改需要有理论依据，计算featuremap维度使之匹配。

4 resnet.conv1 = nn.Conv2d(3, 64,kernel_size=5, stride=2, padding=3, bias=False)

3.加载部分预训练模型

对于具体的任务，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。

1 #加载model，model是自己定义好的模型

resnet50 = models.resnet50(pretrained=True)

pretrained_dict =resnet50.state_dict()

model =Net(...)4 5 #读取参数 6 model_dict =model.state_dict()

9 #将pretrained_dict里不属于model_dict的键剔除掉

10 pretrained_dict = {k: v for k, v in pretrained_dict.items() if k inmodel_dict} #更新现有的model_dict 13 model_dict.update(pretrained_dict) #这一块更新的什么?? #加载我们真正需要的state_dict 16 model.load_state_dict(model_dict)

4. 加载自己的模型

其实这个是保存和恢复模型，比如我们训练好的模型保存，然后加载用于测试。

方法一(推荐)：

第一种方法也是官方推荐的方法，只保存和恢复模型中的参数(权重数值)。

使用这种方法，我们需要自己导入模型的结构信息。

(1)保存

1 torch.save(model.state_dict(), PATH)2

3 #example

4 torch.save(resnet50.state_dict(),'ckp/model.pth')

(2)恢复

1 model = ModelClass(*args, **kwargs)2 model.load_state_dict(torch.load(PATH))3

4 #example

5 resnet=resnet50(pretrained=True)6 resnet.load_state_dict(torch.load('ckp/model.pth'))

方法二：

使用这种方法，将会同时保存模型的参数和结构信息到模型文件中。

(1)保存

torch.save (the_model, PATH)

(2)恢复

torch.load (the_model, PATH)