直接使用
会出现当更新model2时，model1的权重也会更新，这和自己的初始目的不同。
经评论指出可以使用：
model2=copy.deepcopy(model1)
来实现深拷贝，手上没有pytorch环境，具体还没测试过，谁测试过可以和我说下有没有用。
原方法：
所有要使用模型复制可以使用如下方法。
torch.save(model, "net_params.pkl")
model5=Cnn(3,10)
model5=torch.load('net_params.pkl')
这样编写不会影响原始模型的权重
补充：pytorch模型训练流程中遇到的一些坑(持续更新)
要训练一个模型，主要分成几个部分，如下。
数据预处理
入门的话肯定是拿 MNIST 手写数据集先练习。
pytorch 中有帮助我们制作数据生成器的模块，其中有 Dataset、TensorDataset、DataLoader 等类可以来创建数据入口。
之前在 tensorflow 中可以用 dataset.from_generator() 的形式，pytorch 中也类似，目前我了解到的有两种方法可以实现。
第一种就继承 pytorch 定义的 dataset，改写其中的方法即可。如下，就获得了一个 DataLoader 生成器。
class MyDataset(Dataset):
def __init__(self, data, labels):
self.data = data
self.labels = labels
def __getitem__(self, index):
return self.data[index], self.labels[index]
def __len__(self):
return len(self.labels)
train_dataset = MyDataset(train_data, train_label)
train_loader = DataLoader(dataset = train_dataset,
batch_size = 1,
shuffle = True)
第二种就是转换，先把我们准备好的数据转化成 pytorch 的变量(或者是 Tensor)，然后传入 TensorDataset，再构造 DataLoader。
X = torch.from_numpy(train_data).float()
Y = torch.from_numpy(train_label).float()
train_dataset = TensorDataset(X, Y)
train_loader = DataLoader(dataset = train_dataset,
batch_size = 1,
shuffle = True)
#num_workers = 2)
模型定义
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 6, 3)
self.conv2 = nn.Conv2d(6 ,16, 3)
self.fc1 = nn.Linear(400, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
relu = F.relu(self.conv1(x))
x = F.max_pool2d(relu, (2, 2))
x = F.max_pool2d(F.relu(self.conv2(x)), 2)
x = x.view(-1, self.num_flat_features(x))
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
def num_flat_features(self, x):
size = x.size()[1:] #除了batch_size之外的维度
num_features = 1
for s in size:
num_features *= s
return num_features
训练模型那么肯定要先定义一个网络结构，如上定义一个前向传播网络。里面包含了卷积层、全连接层、最大池化层和 relu 非线性激活层(名字我自己取的)以及一个 view 展开，把一个多维的特征图平展成一维的。
其中nn.Conv2d(in_channels, out_channels, kernel_size)，第一个参数是输入的深度，第二是输出的深度，第三是卷积核的尺寸。
F.max_pool2d(input, (pool_size, pool_size))，第二个参数是池话
nn.Linear(in_features, out_features)
x.view是平展的操作，不过实际上相当于 numpy 的 reshape，需要计算转换后的尺寸。
损失函数定义
import torch.optim as optim
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
模型定义完之后，意味着给出输入，就可以得到输出的结果。那么就来比较 outputs 和 targets 之间的区别，那么就需要用到损失函数来描述。
训练网络
for epoch in range(2): # loop over the dataset multiple times
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# get the inputs; data is a list of [inputs, labels]
inputs, labels = data
# zero the parameter gradients
optimizer.zero_grad()
# forward + backward + optimize
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# print statistics
running_loss += loss.item()
if i % 2000 == 1999: # print every 2000 mini-batches
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
print('Finished Training')
以上的代码是官方教程中给出来的，我们要做的就是学习他的思路。
1.首先是 epoch 的数量为 2，每个 epoch 都会历遍一次整个训练集。在每个 epoch 内累积统计 running_loss，每 2000 个 batch 数据计算一次损失的平均值，然后 print 再重新将 running_loss 置为 0。
2.然后分 mini-batch 进行训练，在每个计算每个 mini-batch 的损失之前，都会将优化器 optimizer 中的梯度清空，防止不同 mini-batch 的梯度被累加到一起。更新分成两步：第一步计算损失函数，然后把总的损失分配到各个层中，即 loss.backward()，然后就使用优化器更新权重，即 optimizer.step()。
保存模型
PATH = '...'
torch.save(net.state_dict(), PATH)
爬坑总结
总的来说流程就是上面那几步，但自己做的时候就遇到了挺多问题，最主要是对于其中张量传播过程中的要求不清楚，导致出了不少错误。
首先是输入的数据，pytorch 默认图片的 batch 数据的结构是（BATCH_SIZE, CHANNELS, IMG_H, IMG_W），所以要在生成数据时做一些调整，满足这种 BCHW 的规则。
会经常出现一些某个矩阵或者张量要求的数据，例如 “RuntimeError: Expected object of scalar type Double but got scalar type Float for argument #2 ‘mat2'” 等错误信息。
可以使用 x.double()，y.float()，z.long() 等方式转换成他要求的格式。
RuntimeError: multi-target not supported。这个错误出现在损失函数那个地方，对于分类问题肯定是优先考虑交叉熵。
criterion = nn.CrossEntropyLoss()
loss = criterion(outputs, labels.long())#报错的地方
当我batch-size=1时这个地方不会报错，但是当batch-size>1时就会报错。
查了别人的代码，大家基本都是和官方教程里面写的一样，使用官方的 mnist 数据接口，代码如下。一开始我是不愿意的，因为那样子意味着可能数据格式被封装起来看不见，但是自己折腾成本比较高，所以还是试了，真香！
train_dataset = datasets.MNIST(root='./data/',
train=True,
transform=transforms.ToTensor(),
download=True)
train_loader = DataLoader(dataset = train_dataset,
batch_size = 4,
shuffle = True)
打印了一下从生成器中获得数据，看一下 size，发现果然和我自己写的不同。当 batch_size=4 时，数据 data.size() 都是4*1*28*28，这个是相同的；但是 labels.size() 是不同的，我写的是 one_hot 向量所以是 4*10，但它的是 4。
直接打印 labels 看看，果然，是单个指，例如 tensor([3, 2, 6, 2]) 这样。
不过模型的 outputs 依然是 4*10，看来是 nn.CrossEntropyLoss() 这个函数自己会做计算，所以他才会报错说 multi-target not supported，因为 lables.size() 不对，原本只有一个数字，但现在是10个数字，相当于被分配了10个属性，自然就报错啦。
所以稍微修改了自己写的生成器之后，就没问题了。
不过，如果想要更自由的调用数据，还是需要对对象进行一些方法的重载，使用 pytoch 定义的 DataLoader，用 enumerate，就会把所有的数据历遍一次，如果使用 iter() 得到一个可迭代对象之后 next()，并不可以像 tensorflow 那样子生成训练数据。
例如说，如果使用如上的形式，DataLoader 得到的是一个生成器，python 中的生成器对象主要有 __next__ 和 __iter__ 等魔术方法决定。
__iter__ 方法使得实例可以如下调用，可以得到一个可迭代对象，iterable，但是如果不加也没关系，因为更重要的是 __next__ 类方法。
如下自己写了 __next__ 方法之后就可以看到，原本会出现越界的现象不见了，可以循环的历遍数据，当然也可以想被注释的那部分一样，抛出 StopIteration 来终止。
a = A()
a_iter = iter(a)
class A():
def __init__(self):
self.list = [1,2,3]
self.index = 0
#def __getitem__(self, index):
# return self.list[i]
#def __iter__(self):
# return self
def __next__(self):
#for i in range():
if self.index >= len(self.list):
#raise StopIteration
self.index = self.index%len(self.list)
result = self.list[self.index]
self.index += 1
return result
b = A()
for i in range(20):
print(next(b))
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。如有错误或未考虑完全的地方，望不吝赐教。
您可能感兴趣的文章:- pytorch 状态字典:state_dict使用详解
- 解决pytorch 保存模型遇到的问题
- 解决pytorch 的state_dict()拷贝问题
咨 询 客 服