一般Pytorch会将训练好的模型保存至 xxx.pth 文件中
常用命令：
torch.load()
torch.save()
详细解剖其内部：
.pth 文件实质上是一个简单的字典文件
module.features.0.weight
module.features.0.bias
module.features.1.weight
module.features.1.bias
module.features.1.running_mean
module.features.1.running_var
module.features.3.weight
module.features.3.bias
module.features.4.weight
module.features.4.bias
module.features.4.running_mean
module.features.4.running_var
....
module.classifier.weight
module.classifier.bias
DataParallel(
(module): VGG(
# 这里的 'features' 其实是自定的名称，下面的'classifier' 同理
(features): Sequential(
(0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) # 对应上面的 features.0.weight, bias
(1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True) # 对应上面的 *.1.*
(2): ReLU(inplace) # 激活曾没有参数所以直接跳过
(3): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(4): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True)
(5): ReLU(inplace)
(6): MaxPool2d(kernel_size=(2, 2), stride=(2, 2), dilation=(1, 1), ceil_mode=False) # 池化曾也没有参数
...
(43): MaxPool2d(kernel_size=(2, 2), stride=(2, 2), dilation=(1, 1), ceil_mode=False)
(44): AvgPool2d(kernel_size=1, stride=1, padding=0, ceil_mode=False, count_include_pad=True)
)
(classifier): Linear(in_features=512, out_features=10, bias=True)
)
）
上面的DataParallel 是因为添加了
net = torch.nn.DataParallel(net)
这个操作使得网络可以在多GPU 上训练
VGG(
....
）
pytorch 的参数存储十分简单，如果你想自定义载入的话，直接修改net.state_dict()中的参数就可以了，和python的字典处理一样
