一、论文实验笔记

pytorch 之 加载不同形式的预训练模型参考
1.pt形式，这种形式的模型使我们较为常见的形式，保存的直接就是权重。

if __name__=='__main__':with torch.no_grad():model=InceptionI3d(num_classes=400,in_channels = 3)if not os.path.exists('./rgb_imagenet.pt'):print ('No weights Found! please download first, or comment 382~384th line')model.load_state_dict('./rgb_imagenet.pt')#通过load_state_dict()函数来加载

2.pth形式，这种形式保存的是一个字典型state_dict:权重，所以要加工一次。

if __name__ == "__main__":with torch.no_grad():net = TSN(num_class, this_test_segments if is_shift else 1, modality,base_model='resnet50',consensus_type = crop_fusion_type,img_feature_dim = img_feature_dim,pretrain = pretrain,is_shift=is_shift, shift_div=shift_div, shift_place=shift_place,non_local='_nl' in this_weights,)weights = 'TSM_something_RGB_resnet50_shift8_blockres_avg_segment16_e45.pth'#指定路径checkpoint = torch.load(this_weights)#通过load函数读出来checkpoint = checkpoint['state_sict']#取出state_sict所对应的权重名称和权重base_dict = {'.'.join(k.split('.')[1:]): v for k, v in list(checkpoint.items())}#一般是为了除去权重名称前的module.前缀，这个可根据自己的需要添加。也可以打印出所有的权重名称.items()。net.load_state_dict(base_dict)#同样用load_state_dict加载。

3.pth.tar形式，这种形式的模型保存的通常也是字典型，但是不仅仅state_sict一项，可以用print(set(checkpoint))打印查看，我们可以不管其他内容，因此和2的处理方式基本相同。

if __name__ == "__main__":with torch.no_grad():model = MultiColumn(174, Model, 512)checkpoint_path = './model_best.pth.tar'#指定路径checkpoint = torch.load(checkpoint_path)#使用load函数读值#print(set(checkpoint))checkpoint = checkpoint['state_dict']base_dict = {'.'.join(k.split('.')[1:]): v for k, v in list(checkpoint.items())}#一般是为了除去权重名称前的module.前缀，这个可根据自己的需要添加。可以打印出所有的权重称.items()。model.load_state_dict(checkpoint['state_dict'])#使用load_state_dict()加载权重。

python 查看.npy文件 和 .pkl 文件的方法参考

import numpy as np
import pickle as pa = np.load('./xsub/val_data.npy')
f = open('./xsub/val_label.pkl','rb')
b = p.load(f)
b = list(b) #将b转换为list类型，才能转换成numpy类型
b = np.array(b)
print(a.shape)
print(b.shape)