1 课程学习
本节课主要对于大白AI课程：https://mp.weixin.qq.com/s/STbdSoI7xLeHrNyLlw9GOg
《Pytorch 模型推理及多任务通用范式》课程中的第二节课进行学习。
2 作业题目
- 必做题:
(1) 从 torchvision 中加载 resnet18 模型结构,并载入预训练好的模型权重 ‘resnet18-5c106cde.pth’ (在物料包的 weights 文件夹中)。
(2) 将(1)中加载好权重的 resnet18 模型,保存成 onnx 文件。
(3) 以 torch.rand([1,3,224,224]).type(torch.float32)作为输入,求 resnet18 的模型计算量和参数量。
1.82 GFLOPS and 11.69M parameters
(4) 以 torch.rand([1,3,448,448]).type(torch.float32)作为输入,求 resnet18 的模型计算量和参数量。
7.27 GFLOPS and 11.69M parameters
import torch
import torchvision.models as models
from thop import profile
# 加载模型结构（计算图）
model = models.resnet18()
# 读取权重
pretrained_state_dict = torch.load('./weights/resnet18-5c106cde.pth')
# 载入权重到模型
model.load_state_dict(pretrained_state_dict,strict=True)
model.to(device='cuda')
# 模型改为推理状态，,是因为网络中的 dropout 层和 batchnorm层在训练状态和推理状态的处理方式是不同的
model.eval()
# 构建一个项目推理时需要的输入大小的单精度tensor,并且放置模型所在的设备
inputs1 = torch.ones([1,3,224,224]).type(torch.float32).to(torch.device('cuda'))
# 生成onnx
torch.onnx.export(model, inputs1, './weights/resnet18.onnx',verbose=True)
# 不同输入大小，模型计算量和参数量
flops1, params1 = profile(model=model, inputs=(inputs1,) )
inputs2 = torch.ones([1,3,448,448]).type(torch.float32).to(torch.device('cuda'))
flops2, params2 = profile(model=model, inputs=(inputs2,))
print('inputs1 Model: {:.2f} GFLOPS and {:.2f}M parameters'.format(flops1/1e9, params1/1e6))
print('inputs2 Model: {:.2f} GFLOPS and {:.2f}M parameters'.format(flops2/1e9, params2/1e6))
- 思考题:
(1) 比较必做题中的(3)和(4)的结果,有什么规律?
模型参数量与输入大小无关
模型计算量，输入尺寸越大，计算量越大，计算量约随着图片尺寸成倍增长
(2) 尝试用 netron 可视化 resnet18 的 onnx 文件
(3) model 作为 torch.nn.Module 的子类,除了用 model.state_dict()查看网络层外,还可以用model.named_parameters()和 model.parameters()。它们三儿有啥不同?
参考《pytorch中state_dict()和named_parameters()有何差别》
它们的差异主要体现在3方面：
(1) 返回值类型不同
(2 )存储的模型参数的种类不同
(3) 返回的值的require_grad属性不同
第一，这很简单，model.state_dict()是将layer_name : layer_param的键值信息存储为dict形式，而model.named_parameters()则是打包成一个元祖然后再存到list当中；
第二，model.state_dict()存储的是该model中包含的所有layer中的所有参数；而model.named_parameters()则只保存可学习、可被更新的参数，model.buffer()中的参数不包含在model.named_parameters()中
最后，model.state_dict()所存储的模型参数tensor的require_grad属性都是False，而model.named_parameters()的require_grad属性都是True
- model.state_dict返回的是一个字典，分别对应模型中的名字和参数
import torch
import torchvision.models as models
# 加载模型结构（计算图）
model = models.resnet18()
model_state_dict = model.state_dict()
for key, value in model_state_dict.items():
print('prame name:', key)
print('param shape:', value)
print('-'*10)
输出：
- model.named_parameters()返回的是一个迭代器，该方法可以输出模型的参数和该参数对应层的名字
model_named_param = model.named_parameters()
for i in model_named_param:
print(i)
输出：
for layer, paramters in model_named_param:
print('model_named_param layer:', layer)
print('model_named_param paramters:', paramters.shape)
print('_'*10)
输出：
model.parameters()返回的是一个迭代器，只包含输出模型的参数
model_parameters = model.parameters()
for i in model_parameters:
print(i)
输出：
(4) 加载模型权重时用的的 model.load_state_dict(字典, strict=True),里面的 strict 参数什么情况下要赋值 False?
将权重数据从文件中加载到模型中时，如果参数不完全对应，那么必须传入参数strict=False，否则程序报错。strict=True必须要保证两者的参数必须完全一致。如果参数不完全一致，并且strict=False时，函数返回参数匹配失败的信息，包括missing_keys（表示模型中存在但不在权重文件中的参数）和unexpected_keys（表示不出现在模型中但是出现在权重文件中的参数）。