版权声明： https://blog.csdn.net/weixin_41278720/article/details/80759933
pytorch自发布以来，由于其便捷性，赢得了越来越多人的喜爱。
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
import torchvision.models as models
resnet50 = models.resnet50(pretrained= True)
1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) 1
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
resnet.fc = nn.Linear(2048, 2) 1
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：
resnet.conv1 = nn.Conv2d( 3, 64,kernel_size= 5, stride= 2, padding= 3, bias= False)
1'3.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。
resnet50 = models.resnet50(pretrained= True)
pretrained_dict =resnet50.state_dict()
model_dict = model.state_dict()
pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}
model_dict.update(pretrained_dict)
model.load_state_dict(model_dict)
1'4. 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。
使用这种方法，我们需要自己导入模型的结构信息。
（1）保存
torch.save(model.state_dict(), PATH)
torch.save(resnet50.state_dict(), 'ckp/model.pth')
1（2）恢复
model = ModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH))
resnet=resnet50(pretrained= True)
resnet.load_state_dict(torch.load( 'ckp/model.pth'))
1方法二：
使用这种方法，将会保存模型的参数和结构信息。
(1)保存
torch.save (model, PATH) 1
(2)恢复
model = torch.load(PATH) 1
参考资料：
1. https://zhuanlan.zhihu.com/p/25980324
2. http://www.pytorchtutorial.com/pytorch-note5-save-and-restore-models/
