Pytorch加载本地预训练模型的简单实现方法

最新推荐文章于 2025-03-17 15:53:18 发布

编码实践

最新推荐文章于 2025-03-17 15:53:18 发布

阅读量1.5k

点赞数 1

文章标签： python

本文链接：https://blog.youkuaiyun.com/wellcoder/article/details/131255376

版权

Python 专栏收录该内容

156 篇文章 ¥99.90 ¥299.90

订阅专栏

本文介绍了在Pytorch中如何加载本地预训练模型，包括下载模型并保存，以及定义自定义模型并加载参数的过程，提供了简单易懂的代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Pytorch加载本地预训练模型的简单实现方法

在使用Pytorch进行深度学习时，我们通常会使用已经预先训练好的模型来完成各种任务。而这些模型通常都由torchvision提供，并提供了一个方便的方式将这些模型直接下载到本地使用。

不过，在某些情况下，我们可能需要手动下载这些模型并将它们加载到我们的代码中。以下是一些简单的代码示例，帮助您快速加载和使用本地的预训练模型。

首先，让我们看看如何下载一个预训练模型（以ResNet-50为例）：

import torch.utils.model_zoo as model_zoo

# 定义ResNet-50的url
model_url = 'https://download.pytorch.org/models/resnet50-19c8e357.pth'

# 下载模型

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

编码实践

关注关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

PyTorch实战：加载本地预训练模型的简单实现方法

目标检测专栏持续更新中，改进YOLO系列通用，适用v5、v7、v8、所有博客均是团队原创博客，所有文章禁止转载，违者必究。

09-25

601

预训练模型通常指在大规模数据集上进行预先训练的深度学习模型。这些模型通过在庞大的数据集上进行训练，可以学习到丰富的特征表示。预训练模型的优点是可以节省大量的计算资源和时间，同时具备强大的泛化能力。利用预训练模型，我们可以在各种任务上进行微调，从而加速模型的训练过程。本文介绍了如何使用PyTorch加载本地预训练模型，并提供了详细的实现步骤和示例代码。加载预训练模型可以加速模型训练过程，提供更强大的特征表示能力和泛化能力。希望本文对读者在实际应用中加载预训练模型提供了一定的指导和帮助。

Pytorch加载torchvision从本地下载好的预训练模型的简单解决方案

最新发布

weixin_34452850的博客

03-17

946

在本篇文章中，我们继续以 `uer/gpt2-chinese-cluecorpussmall` 这个模型为例，演示了如何从 Hugging Face上将模型下载到本地，并且在本地进行调用。这才是目前大模型应用中更常用的开发范式，希望大家都能够了解。

pytorch加载预训练模型

Abraham Ben

09-29

1205

1. 查看所有module model.modules()以深度优先遍历的方式，存储了net的所有模块，包括net itself,net's children, children of net's children。即model.children()只包括网络模块的第一代儿子模块，而model.modules()包含网络模块的自己本身和所有后代模块。 model.modules()和model.named_modules()内部采用yield关键字，得到生成器。当外部迭代调用net.named_module

pytorch加载预训练模型（只加载到特征提取）

思维缜密的博客

03-24

839

【代码】pytorch加载预训练模型（只加载到特征提取）

使用Pytorch加载预训练模型及修改网络结构

githubcurry

07-10

1759

（也就是卷积层）的网络结构。

pytorch实现具备预训练参数加载功能的bert模型

01-03

在pytorch上实现了bert模型，并且实现了预训练参数加载功能，可以加载huggingface上的预训练模型参数。主要包含以下内容： 1) 实现BertEmbeddings、Transformer、BerPooler等Bert模型所需子模块代码。 2) 在子模块...

pytorch实现从本地加载 .pth 格式模型

09-17

### PyTorch从本地加载.pth格式模型详解 #### 一、引言在深度学习领域，PyTorch...通过上述步骤，您可以轻松地将本地的预训练模型加载到您的项目中，从而避免了从网络加载所带来的问题。希望本文能对您有所帮助。

pytorch 加载预训练模型

sinat_16423171的博客

12-06

6707

1、 预训练模型网络结构 = 你要加载模型的网络结构那么直接套用 path="你的 .pt文件路径" model = "你的网络" checkpoint = torch.load(path, map_location=device) model.load_state_dict(checkpoint) 2、 预训练模型网络结构与你的网络结构不一致当你直接套用上面公式，会出现类似unexpected key module.xxx.weight问题这种情况下，需要具体分析一下网络信息，再决定如何加

PyTorch加载预训练模型实例(pretrained)

09-18

今天小编就为大家分享一篇PyTorch加载预训练模型实例(pretrained)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

pytorch怎么加载预训练模型

weixin_35755434的博客

02-13

991

要加载预训练模型，首先需要下载预训练模型的参数文件，然后在 PyTorch 中加载这些参数。下面是一个示例代码： import torch # 加载预训练模型 model = torch.hub.load('pytorch/vision', 'resnet18', pretrained=True) # 设置模型为评估模式 model.eval() 在这个代码中，我们使用 torch.hub....

【Pytorch】本地预训练模型加载

littlemichelle

11-26

1601

1、预训练模型加载【Pytorch】快速下载预训练模型并修改保存路径最最最重要的是要将pretrained=False，如果是Ture的话，还是会去官方定义的路径下载pth。

【Pytorch 第一讲】如何加载预训练模型

挪威的深林的博客

01-25

1570

导入 PyTorch# 初始化你的模型# 加载预训练权重# 或者当完成这个加载以后，可以考虑打开 checkpoint , 看看该模型保存时，包含哪些dict keys.结果： dict_keys(['epoch', 'arch', 'state_dict',根据上面的 state_dict，可以接下来用来将权重赋予模型Model# 将权重赋值给模型。

关于Pytorch加载预训练模型

vectorindex的博客

04-11

1003

1.关于Pytorch加载预训练模型自定义网络类的字典是OrderedDict字典，为顺序的，即是按照代码中声明层的先后顺序输出的。 def __init__(self, in_channel, out_channel, stride=1, downsample=None, **kwargs): super(BasicBlock, self).__init__() self.conv1 = nn.Conv2d(in_channels=in_channel,

【Pytorch】加载预训练模型及修改网络结构

capsule的博客

10-22

5946

Pytorch有自带的训练好的AlexNet、VGG、ResNet等网络架构。可以看到，AlexNet有三个层，分别是features、avgpool、classifier。用model.features查看features层（也就是卷积层）的网络结构。**

pytorch加载训练好的模型用来测试或者处理

群星闪耀的博客

06-16

1万+

保存、加载模型 pytorch保存模型的方式有两种：第一种：将整个网络都都保存下来第二种：仅保存和加载模型参数（推荐使用这样的方法）保存和加载整个模型 torch.save(model_object, 'model.pkl') model = torch.load('model.pkl') 仅保存和加载模型参数(推荐使用) torch.save(model_object.state_dict(), 'params.pkl') model_object.load_state_di..

pytorch如何加载pytorch预训练模型

01-28

### 如何在 PyTorch 中加载预训练模型为了在 PyTorch 中加载预训练模型，通常有两种主要方式：一种是从官方提供的预训练权重文件中直接加载；另一种则是通过自定义路径加载本地保存的模型。下面分别介绍这两种方法并提供相应的代码实例。 #### 方法一：从官方资源加载预训练模型许多流行的神经网络架构已经在 torchvision.models 或其他库中实现了，并附带了 ImageNet 数据集上的预训练参数。只需指定 `pretrained=True` 即可轻松获取这些预训练好的模型。 ```python import torch from torchvision import models model = models.resnet18(pretrained=True) # 加载 ResNet-18 预训练模型 ``` 此段代码展示了如何利用 torchvision 库中的 resnet18 函数来创建一个带有 ImageNet 上预训练权重的 ResNet-18 模型[^1]。 #### 方法二：从本地磁盘加载已保存的模型当需要恢复之前训练过的特定版本的模型时，则可以采用这种方式。这涉及到先序列化（即保存）整个模型的状态字典到硬盘上，在后续运行期间再反序列化回来。 ```python # 假设 'checkpoint.pth' 是先前保存的一个检查点文件名 checkpoint_path = "path/to/checkpoint.pth" device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu') # 初始化相同结构的新模型对象 model = TheModelClass(*args, **kwargs) # 将模型移动至 GPU (如果可用的话) model.to(device) # 使用 map_location 参数确保即使是在不同设备间也能正确读取数据 state_dict = torch.load(checkpoint_path, map_location=device)[^2] # 载入状态字典更新当前模型参数 model.load_state_dict(state_dict) # 设置为评估模式 model.eval() ``` 上述代码片段说明了怎样使用 `torch.load()` 来处理可能存在于 CPU 和 GPU 不同环境之间的兼容性问题，同时也强调了设置好目标计算平台的重要性。