修改训练好的神经网络模型中的参数内容

在迁移学习中，将训练好的模型用在其他地方上，当需要对模型的参数进行修改，可按照如下代码进行操作：path = "/media/FASTSCNN/lanenet_epoch_227_batch_8.model"#训练好的模型state_dict2 = {"module."+k: v for k, v in torch.load(path).items()}#此处是在原本模型的参数名的基础上，多加"m

Good@dz

1478人浏览 · 2021-07-11 15:28:14

Good@dz · 2021-07-11 15:28:14 发布

在迁移学习中，将训练好的模型用在其他地方上，当需要对模型的参数进行修改，可按照如下代码进行操作：

path = "/media/FASTSCNN/lanenet_epoch_227_batch_8.model"  #训练好的模型

state_dict2 = {"module."+k: v for k, v in torch.load(path).items()}  
#此处是在原本模型的参数名的基础上，多加"module."的字符串。即如果原参数名为“conv1”，修改后的参数名为”module.conv1“

path = "/media/FASTSCNN/lanenet_epoch_227_batch_8_1.model"  #修改后保存的地址
torch.save(state_dict2, path)   #模型保存

技术共进，成长同行——讯飞AI开发者社区

更多推荐

AI智能体—人工智能工作流与人工智能智能体：真正的区别是什么？

本文探讨了人工智能工作流与智能体的核心区别。工作流是静态、可预测的执行序列（如预处理→嵌入→搜索→总结），适合批处理作业；而智能体能动态感知环境、自主决策（感知→推理→决策循环），具备适应性和工具选择能力。关键差异在于：工作流遵循固定路径，智能体则能根据目标调整策略。架构上，工作流使用Airflow等工具，智能体依赖LangChain等框架。智能体的自主性使其更适用于动态环境，代表下一代AI应用方