ubuntu安裝anaconda，ubuntu使用pytorch訓練出現killed_目標檢測之pytorch預訓練模型的使用（削減削減網絡層，修改參數）fin

import torchvision.models as models#resnet
model = models.resnet50(pretrained=True)#vgg
model = models.vgg16(pretrained=True)

# -*- coding:utf-8 -*-
import torchvision.models as models#調用模型
model = models.resnet50(pretrained=True,num_classes = 10)
print(model)

# -*- coding:utf-8 -*-
import torchvision.models as models#調用模型
model = models.resnet50(pretrained=True)
#提取fc層中固定的參數（這一層的輸入節點數目
fc_features = model.fc.in_features
#修改類別為9，（直接對類的屬性進行修改）
model.fc = nn.Linear(fc_features, 10)

# -*- coding:utf-8 -*-
#####################
#建立自己的網絡模型net
########################然后讀出預訓練模型參數以resnet152為例，我不是利用程序下載的，我是習慣了下載好存儲在文件夾中
pretrained_dict = torch.load(save_path)
model_dict = net.state_dict()   (讀出搭建的網絡的參數，以便后邊更新之后初始化）####去除不屬于model_dict的鍵值
pretrained_dict={ k : v for k, v in pretrained_dict.items() if k in model_dict}###更新現有的model_dict的值
model_dict.update(pretrained_dict)##加載模型需要的參數
net.load_state_dict(model_dict)

#torch.nn.init.uniform_(tensor, a=0, b=1)
#從均勻分布U(a, b)中生成值，填充輸入的張量或變量
#參數：
#tensor - n維的torch.Tensor
#a - 均勻分布的下界
#b - 均勻分布的上界
#例子
w = torch.Tensor(3, 5)
nn.init.uniform_(w)#torch.nn.init.normal_(tensor, mean=0, std=1)
#從給定均值和標準差的正態分布N(mean, std)中生成值，填充輸入的張量或變量
#參數：
#tensor – n維的torch.Tensor
#mean – 正態分布的均值
#std – 正態分布的標準差
#例子
w = torch.Tensor(3, 5)
nn.init.normal_(w)#torch.nn.init.constant(tensor, val)
#用val的值填充輸入的張量或變量#torch.nn.init.eye_(tensor)
#用單位矩陣來填充2維輸入張量或變量。在線性層盡可能多的保存輸入特性#####################################這個用的比較多
#torch.nn.init.xavier_uniform_(tensor, gain=1)
#根據Glorot, X.和Bengio, Y.在“Understanding the difficulty of training deep feedforward neural networks”中描述的方法，用一個均勻分布生成值，填充輸入的張量或變量。結果張量中的值采樣自U(-a, a)，其中a= gain * sqrt( 2/(fan_in + fan_out))* sqrt(3). 該方法也被稱為Glorot initialisation
#參數：
#tensor – n維的torch.Tensor
#gain - 可選的縮放因子
#例子：w = torch.Tensor(3, 5)nn.init.xavier_uniform_(w, gain=math.sqrt(2.0))#torch.nn.init.xavier_normal_(tensor, gain=1)
#根據Glorot, X.和Bengio, Y. 于2010年在“Understanding the difficulty of training deep feedforward neural networks”中描述的方法，用一個正態分布生成值，填充輸入的張量或變量。結果張量中的值采樣自均值為0，標準差為gain * sqrt(2/(fan_in + fan_out))的正態分布。也被稱為Glorot initialisation#torch.nn.init.kaiming_uniform_(tensor, a=0, mode='fan_in')
#根據He, K等人于2015年在“Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification”中描述的方法，用一個均勻分布生成值，填充輸入的張量或變量。結果張量中的值采樣自U(-bound, bound)，其中bound = sqrt(2/((1 + a^2) * fan_in)) * sqrt(3)。也被稱為He initialisation.
#tensor – n維的torch.Tensor或autograd.Variable
#a -這層之后使用的rectifier的斜率系數（ReLU的默認值為0）
#mode -可以為“fan_in”（默認）或“fan_out”。“fan_in”保留前向傳播時權值方差的量級，“fan_out”保留反向傳播時的量級。.
################################這個用的較多
#torch.nn.init.kaiming_normal_(tensor, a=0, mode='fan_in')
#根據He, K等人在“Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification”中描述的方法，用一個正態分布生成值，填充輸入的張量或變量。結果張量中的值采樣自均值為0，標準差為sqrt(2/((1 + a^2) * fan_in))的正態分布。#tensor – n維的torch.Tensor或 autograd.Variable
#a -這層之后使用的rectifier的斜率系數（ReLU的默認值為0）
#mode -可以為“fan_in”（默認）或“fan_out”。“fan_in”保留前向傳播時權值方差的量級，“fan_out”保留反向傳播時的量級。