Pytorch有很多方便易用的包，今天要談的是torchvision包，它包括3個子包，分別是： torchvison.datasets ，torchvision.models ，torchvision.transforms ，分別是預定義好的數據集（比如MNIST、CIFAR10等）、預定義好的經典網絡結構（比如AlexNet、VGG、ResNet等）和預定義好的數據增強方法（比如Resize、ToTensor等）。這些方法可以直接調用，簡化我們建模的過程，也可以作爲我們學習或構建新的模型的參考。
本文，我們講述的是models，且只談模型的加載。models這個包中包含alexnet、densenet、inception、resnet、squeezenet、vgg等常用的網絡結構，並且提供了預訓練模型，可以通過簡單調用來讀取網絡結構和預訓練模型。
模型地址：https://github.com/pytorch/vision/tree/master/torchvision/models
官方文檔：https://pytorch.org/docs/master/torchvision/models.html
我將加載的方法簡單總結爲以下四種：
1.直接加載預訓練模型
import torchvision.models as models
resnet50 = models.resnet50(pretrained=True)
這樣就導入了resnet50的預訓練模型了。
如果只需要網絡結構，不需要用預訓練模型的參數來初始化，那麼就是：
model =torchvision.models.resnet50(pretrained=False)
或者把resnet複製到自己的目錄下，新建個model文件夾
可以參考下面的貓狗大戰入門算法入門
https://github.com/JackwithWilshere/Kaggle-Dogs_vs_Cats_PyTorch
2.修改某一層
以resnet爲例，默認的是ImageNet的1000類，比如我們要做二分類，分類貓和狗
resnet.fc = nn.Linear(2048, 2)
resnet 第一層卷積的卷積核是7，我們可能想改成5，那麼可以通過以下方法修改：
#未經試驗，修改需要有理論依據，計算featuremap維度使之匹配。
resnet.conv1 = nn.Conv2d(3, 64,kernel_size=5, stride=2, padding=3, bias=False)
3.加載部分預訓練模型
對於具體的任務，很難保證模型和公開的模型完全一樣，但是預訓練模型的參數確實有助於提高訓練的準確率，爲了結合二者的優點，就需要我們加載部分預訓練模型。
#加載model，model是自己定義好的模型
resnet50 = models.resnet50(pretrained=True)
model =Net(...)
#讀取參數
pretrained_dict =resnet50.state_dict()
model_dict = model.state_dict()
#將pretrained_dict裏不屬於model_dict的鍵剔除掉
pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}
# 更新現有的model_dict
model_dict.update(pretrained_dict)
# 加載我們真正需要的state_dict
model.load_state_dict(model_dict)
4. 加載自己的模型
其實這個是保存和恢復模型，比如我們訓練好的模型保存，然後加載用於測試。
方法一(推薦)：
第一種方法也是官方推薦的方法，只保存和恢復模型中的參數。
使用這種方法，我們需要自己導入模型的結構信息。
（1）保存
torch.save(model.state_dict(), PATH)
#example
torch.save(resnet50.state_dict(),'ckp/model.pth')
（2）恢復
model = ModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH))
#example
resnet=resnet50(pretrained=True)
resnet.load_state_dict(torch.load('ckp/model.pth'))
方法二：
使用這種方法，將會保存模型的參數和結構信息。
(1)保存
torch.save (model, PATH)
(2)恢復
model = torch.load(PATH)