如何加载和使用预训练的 PyTorch Inception V3 模型对图像进行分类

Question

我遇到了与 How can I load and use a PyTorch (.pth.tar) model 相同的问题，但没有公认的答案，也没有我能弄清楚如何遵循给出的建议的答案。

我是 PyTorch 的新手。我正在尝试加载此处引用的预训练 PyTorch 模型：https://github.com/macaodha/inat_comp_2018

我很确定我漏掉了一些胶水。

# load the model
import torch
model=torch.load("iNat_2018_InceptionV3.pth.tar",map_location='cpu')

# try to get it to classify an image
imsize = 256
loader = transforms.Compose([transforms.Scale(imsize), transforms.ToTensor()])

def image_loader(image_name):
    """load image, returns cuda tensor"""
    image = Image.open(image_name)
    image = loader(image).float()
    image = Variable(image, requires_grad=True)
    image = image.unsqueeze(0)  
    return image.cpu()  #assumes that you're using CPU

image = image_loader("test-image.jpg")

产生错误：

in () ----> 1 model.predict(image)

AttributeError: 'dict' object has no attribute 'predict

Answer 1

问题

您的 model 实际上不是模特。保存的时候，除了参数，还有模型的其他信息，有点类似字典的形式。

因此，torch.load("iNat_2018_InceptionV3.pth.tar") 只是 returns dict，当然没有名为 predict.

的属性

model=torch.load("iNat_2018_InceptionV3.pth.tar",map_location='cpu')
type(model)
# dict

解决方案

在这种情况下，在一般情况下，您首先需要做的是根据官方指南 "Load models".

实例化您想要的模型 class

# First try
from torchvision.models import Inception3
v3 = Inception3()
v3.load_state_dict(model['state_dict']) # model that was imported in your code.

但是，直接输入 model['state_dict'] 会引发一些关于 Inception3 参数形状不匹配的错误。

重要的是要知道 Inception3 在实例化后发生了什么变化。幸运的是，你可以在原作者的 train_inat.py.

中找到

# What the author has done
model = inception_v3(pretrained=True)
model.fc = nn.Linear(2048, args.num_classes) #where args.num_classes = 8142
model.aux_logits = False

既然我们知道要更改什么，让我们先对进行一些修改。

# Second try
from torchvision.models import Inception3
v3 = Inception3()
v3.fc = nn.Linear(2048, 8142)
v3.aux_logits = False
v3.load_state_dict(model['state_dict']) # model that was imported in your code.

至此，模型加载成功！

如何加载和使用预训练的 PyTorch Inception V3 模型对图像进行分类

How to load and use a pretained PyTorch InceptionV3 model to classify an image

python

torch

pytorch

问题

解决方案