Pytroch网络模型：修改参数值，修改参数名，添加参数层，删除参数层_修改pytorch的pth模型中的参数名_HuiYu-Li的博客

方法2（按条件修改）

net.load_state_dict(torch.load('./ckpt_dir//model_0.pth'))
for param_tensor in net.state_dict():
	print(net.state_dict()[param_tensor])
#按条件修改权重
for param in net.parameters():
	new = torch.zeros_like(param.data)
	param.data = torch.where(0, param.data, new)
#验证是否真的修改了权重值。
for param_tensor in net.state_dict():
	print(net.state_dict()[param_tensor])
修改参数名
 
dict = torch.load(model_dir)
older_val = dict['旧名']
# 修改参数名
dict['新名'] = dict.pop('旧名')
torch.save(dict, './model_changed.pth')
#验证修改是否成功
changed_dict = torch.load('./model_changed.pth')
print(old_val)
print(changed_dict['新名'])
添加参数层
 
dict = torch.load('./ckpt_dir//model_0.pth')
print(dict)
dict['forward1.0.weight1'] = None #把OrderedDict类型的dict当作普通字典使用即可
print(dict)
删除参数层
 
pre_model = "./results/model_2-9.pth"
dict = torch.load(pre_model)
for key in list(dict.keys()):
    if key.startswith('decoder1'):
        del dict[key]
torch.save(dict, './model_deleted.pth')
# # #验证修改是否成功
changed_dict = torch.load('./model_deleted.pth')
for key in dict.keys():
    print(key)
                    方法1dict 是一个collecitons.OrderedDict类型变量，也就是一个有序字典，直接将新参数名称和初始值作为键值对插入，然后保存即可。#修改前dict = torch.load('./ckpt_dir//model_0.pth')net.load_state_dict(dict)for name,param in net.named_parameters():	pri...
				pytorch中.pth模型中增加、删除、更改名称、更改参数的操作pytorch中的pre-train模型该类模型的修改参数修改增减卷积层非官方的pretrain model去除pretrain model 最后一层或某一层
pytorch中的pre-train模型
卷积神经网络的训练是耗时的，很多场合不可能每次都从随机初始化参数开始训练网络。
pytorch中自带几种常用的深度学习网络预训练模型，如VGG、ResNet等。往往为了加快学习的进度，在训练的初期我们直接加载pre-train模型中预先训练好的
pytorch官网对torch.nn.parameter的描述如下。
torch.nn.parameter是一个被用作神经网络模块参数的tensor。这是一种tensor的子类。
parameters是张量的子类，当与模块s一起使用时，它们有一个非常特殊的属性——当它们被重新分配为模块属性时，它们会自动地添加到它的参数列表中，并且会出现在Parame...
				保存.pth文件时只保存了权重，没有保存模型本身，用了下边的命令
torch.save(model_int8.state_dict(), './alex_net_int8.pth') //model_int8是我的模型名称，后边是保存路径
对于.pth文件中参数及参数名称的修改参考下面文章
https://www.cnblogs.com/sddai/p/14949982.html
resnet.load_state_dict(torch.load(args.predir))
res_conv31 = Bottleneck_dilated(1024, 256,dilated_rate = 2)
print("---------------------",res_...
				在PyTorch中，我们可以使用state_dict()函数输出模型的参数值。
state_dict()函数是一个方法，可以返回一个字典对象，该字典对象包含了模型的所有参数（例如权重和偏置项）及其对应的数值。字典的键是参数的名称，而值则是参数的张量。
下面是以一个简单的线性回归模型为例，展示如何输出模型的参数值：
```python
import torch
import torch.nn as nn
# 创建一个简单的线性回归模型
class LinearRegression(nn.Module):
    def __init__(self):
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(1, 1)
    def forward(self, x):
        return self.linear(x)
model = LinearRegression()
# 输出模型的参数值
model_params = model.state_dict()
for name, param in model_params.items():
    print(name, param)
上述代码中，我们定义了一个简单的线性回归模型`LinearRegression()`，其中包含一个线性层 `nn.Linear(1, 1)`。然后使用`state_dict()`方法将模型的参数保存在名为`model_params`的字典对象中。
最后，我们使用一个循环遍历`model_params`字典对象，打印出每个参数的名称和对应的数值。
这样就可以通过程序输出模型的参数值了。输出的结果将显示参数的名称和对应的张量数值，便于我们查看和分析模型的参数。