在做神经网络的搭建过程，经常使用pytorch中的resnet作为backbone，特别是resnet50,比如下面的这个网络设定

import torch
import torch.nn as nn
from torchvision import datasets, transforms
from torchvision import models

class base_resnet(nn.Module):
    def __init__(self):
        super(base_resnet, self).__init__()
        self.model = models.resnet50(pretrained=True)
        #self.model.load_state_dict(torch.load('./model/resnet50-19c8e357.pth'))
        self.model.avgpool = nn.AdaptiveAvgPool2d((1, 1))

    def forward(self, x):
        x = self.model.conv1(x)
        x = self.model.bn1(x)
        x = self.model.relu(x)
        x = self.model.maxpool(x)
        x = self.model.layer1(x)
        x = self.model.layer2(x)
        x = self.model.layer3(x)
        x = self.model.layer4(x)
        x = self.model.avgpool(x)

        # x = x.view(x.size(0), x.size(1))
        return x

该网络相当于继承了resnet50的所有参数结构，只不过是在forward中，改变了数据的传输过程，没有经过最后的特征展开以及线性分类。在下面的这行代码中，是相当于调用了pytoch中定义的resnet50网络，并且会自动下载并且加载训练好的网络参数，如果调为 pretrained=False,则不会加载训练好的参数，而是随机进行参数的赋值。但是我在服务器上跑这一类代码的时候发现，每当我重新跑一次程序，如果设置为True都会重新下载resnet50训练好的参数，但是由于有时候网络特别不好，导致我下载个基础的resnet50就要耗费我好长时间，那么我就想能不能将这个resnet50的参数提前下载好，使用的时候直接加载呢。当然是能了。

self.model = models.resnet50(pretrained=True)

我们可以根据我们使用的结构，到对应的地址下载对应的模型到本地，常用的resnet的地址如下：

 'resnet18': 'https://download.pytorch.org/models/resnet18-5c106cde.pth',
 'resnet34': 'https://download.pytorch.org/models/resnet34-333f7ec4.pth',
 'resnet50': 'https://download.pytorch.org/models/resnet50-19c8e357.pth',
 'resnet101': 'https://download.pytorch.org/models/resnet101-5d3b4d8f.pth',
 'resnet152': 'https://download.pytorch.org/models/resnet152-b121ed2d.pth',

将其下载下来，然后将模型放入到和net.py同目录的model文件夹下面，然后使用下面的代码就可以避免每次都重新下载模型的问题了。

self.model = models.resnet50(pretrained=False)
self.model.load_state_dict(torch.load('./model/resnet50-19c8e357.pth'))