迁移学习在计算机视觉领域中是一种很流行的方法，因为它可以建立精确的模型，耗时更短。利用迁移学习，不是从零开始学习，而是从之前解决各种问题时学到的模式开始。这样，我们就可以利用以前的学习成果。
在计算机视觉领域中，迁移学习通常是通过使用预训练模型来表示的。预训练模型是在大型基准数据集上训练的模型，用于解决相似的问题。由于训练这种模型的计算成本较高，因此，导入已发布的成果并使用相应的模型是比较常见的做法。例如，在目标检测任务中，首先要利用主干神经网络进行特征提取，这里使用的backbone一般就是VGG、ResNet等神经网络，因此在训练一个目标检测模型时，可以使用这些神经网络的预训练权重来将backbone的参数初始化，这样在一开始就能提取到比较有效的特征。
PyTorch提供了state_dict()和load_state_dict()两个方法用来保存和加载模型参数，前者将模型参数保存为字典形式，后者将字典形式的模型参数载入到模型当中。
示例：
我们先定义一个模型（省略）
获得当前模型的参数
获取预训练的模型
这里要注意，torch.load()得到的结果并不一定就是模型，也可以是模型参数或者其他储存模型信息的字典，这里一定要据情况而论。
所以一般来说要看读取的文件是什么，如果以.pth结尾就是模型。如果是其他形式那么可以用字典映射来获取想要的信息，比如这里我们获取模型参数。
获取完预训练模型参数后，如果要将这个模型参数加载进我们的模型要使用load_state_dict()方法。
而要注意load_state_dict()方法要求加载的模型参数键值类型和当前模型完全一致，所以在载入的过程中需要匹配。
在我们得到当前模型参数model_dict和预训练模型参数pre_model.state_dict()后，
接下来将temp更新到我们的模型参数里
# 这里我在debug的时候发现如果不把model_dict的数据类型改为dict会发生字典键值对无法更新的情况，我觉得可能是模型参数的数据类型是OrderedDict,和temp不一样
冻结训练很简单，只需要调整对应层的requires_grad属性就行了
这里将当前模型除了最后的全连接层外所有层权重冻结，仅训练最后的全连接层
# 这里还要注意要把优化器调整一下，只保留模型中可训练的层。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/194643.html