写在前面

未经允许，不得转载，谢谢~~

模块的存储与加载这个工作对于神经网络的训练还是非常重要的。当网络层数多了之后，训练起来就会很耗时。如果没有及时保存模型，那么在时间上的损失真的是很大的。

模型保存与加载

利用PyTorch可以很方便的进行模型的保存和加载，主要有以下两种方式。

方法１：保存加载整个模型

# save model
torch.save(model,'mymodel.pkl')


# load model
model=torch.load('mymodel.pkl')

方法２：仅保存加载模型参数（推荐）

# save model parameters
torch.save(model.state_dict(), 'mymodel.pkl')
# load save model parameters
model_object.load_state_dict(torch.load('mymodel.pkl'))

可以想一下为什么会推荐第二种方式呢?
相比较于保存整个模型而言，仅保存模型参数的做法应该不仅节省空间，更有灵活性的优势。
可以取出特定层的参数，这一点在已经训练好的模型上取与现有模型相同层的参数上应该有帮助。

不过这个还没有实验验证,等后面碰到再更新哇⊙⊙

更新贴~~~~~~

方法３：加载别的模型中相同的网络参数至新的模型

这个方法在科研上还是很有帮助的，可以用已经训练好的网络参数作为自己模型的网络权重的初始化。
先给出函数代码：

def transfer_weights(model_from, model_to):
    wf = copy.deepcopy(model_from.state_dict())
    wt = model_to.state_dict()
    for k in wt.keys() :
        if (not k in wf)):      
            wf[k] = wt[k]
    model_to.load_state_dict(wf)

以上就实现了从model_from到model to的相同网络参数的拷贝。

来分析一下程序：

wf实现了对 model from中的模型参数的深度拷贝;
wt实现了对 model to模型参数的获取；
下面那段for循环就是实现了如果在model to中出现的网络结构，但是在model from中没有出现，那么就拷贝一份给wf。这样做的目的是让wf扩充后的结构跟wt一样，即保留了model from中的模型参数，又将结构扩充到跟 model to的一样。
这样最后一条语句就直接可以通过load_state_dict函数加载我们想要的模型参数到目标模型model to中了。

补充说明:

以上的函数要求两个模型中如果具有相同的名字，那么对应的参数带下应该是一样的。

那么如果出现模型结构名字一样，但是参数大小不一样的情况呢？

例如两个都有fc层，那么要求fc层的参数是一样的。我自己在做的时候刚好就是这种情况。
除了最后一个fc层，其他的结构都是一样的，model_form的fc是[2048,400],而model_to的fc是[2048,101]
所以就会出现如下的错误：
RuntimeError: While copying the parameter named fc.weight, whose dimensions in the model are torch.Size([101, 2048]) and whose dimensions in the checkpoint are torch.Size([400, 2048]).
就是参数维度不匹配啦。
这个时候的做法是让model_from中的该层维度跟model_to一样，在代码上的体现就是：

def transfer_weights(model_from, model_to):
    wf = copy.deepcopy(model_from.state_dict())
    wt = model_to.state_dict()
    for k in wt.keys() :
        #if (not k in wf)):     
        if ((not k in wf) | (k=='fc.weight') | (k=='fc.bias')):     
            wf[k] = wt[k]
    model_to.load_state_dict(wf)

恩，这样呢就掌握了模型参数的迁移！
有问题欢迎简信交流，谢谢～～

参考文献

pytorch学习笔记（五）：保存和加载模型

PyTorch入门学习（六）：model的保存与加载