适配并导出模型

输入通道

将 in_chans 设置为模型将接收的通道数。对于非 RGB 检查点，其预训练配置中的 input_size[0] 必须描述 源检查点的 通道数。例如，要使用两个堆叠的 13 波段图像以及与之匹配的 13 波段 ResNet-18 检查点：

import timm

model = timm.create_model(
    'resnet18',
    pretrained=True,
    in_chans=26,
    num_classes=10,
    pretrained_cfg_overlay={
        'file': 'path/to/your_13_band_resnet18.pth',
        'input_size': (13, 224, 224),
        'num_classes': 10,
    },
)

此示例需要您提供具有匹配架构和源类别数量的检查点。输入卷积权重会按通道顺序进行重复或截断，然后乘以源到目标的通道比率。因此，从 13 到 26 的转换会将权重重复两次，并按 1/2 进行缩放；同一帧的重复副本可保持输入卷积的响应不变。从 13 到 11 的转换会保留前 11 个通道，并按 13/11 进行缩放。通道数量匹配时，权重将保持不变地加载。转换为单通道时，会对源通道权重求和。

对于直接的权重转换，请显式指定相同的源信息：

from timm.models import adapt_input_conv

temporal_weights = adapt_input_conv(26, pretrained_weights, base_chans=13)

base_chans describes physical image channels, which can differ from a space-to-depth stem’s convolution input dimension. The existing RGB default and space-to-depth grayscale conversion remain supported; other space-to-depth channel conversions still use the unsupported-format fallback during loading. Band-specific selection, semantic band matching, and normalization are not inferred: arrange the bands and preprocessing for your sensor and task.

保存适配后的模型

model.pretrained_cfg 在适配后仍用于描述源检查点。 当前模型暴露了 in_chans 和 num_classes。由实例持有的 _traits 字典记录了其标称的 img_size、fixed_input_size 约束以及 first_conv 路径。独立的 _model_args 字典记录了用于导出的构造参数。受支持的 set_input_size() 方法会同时更新 traits 和重建参数。

使用 timm.models.get_model_traits(model) 可以查看 traits 的副本以及当前的 in_chans 和 num_classes 属性。这些计数是从属性中读取的，而不是在 _traits 中重复存储，因此分类器重置后的变化会反映出来。timm.models.get_model_input_config(model) 从这些 traits 中解析输入配置，而 timm.models.get_model_args(model) 返回重建参数。

Hub 导出会写入一个描述已保存权重的新配置，而不会更改实时源配置。请传入用于适配模型的预处理：

from timm.models import save_for_hf

save_for_hf(model, 'my_model', data_config=data_config)
restored = timm.create_model('local-dir:my_model', pretrained=True)

内置的训练、验证、推理和基准测试脚本会根据当前模型解析输入设置。现有的 resolve_data_config 和 resolve_model_data_config 辅助函数保留其源配置行为。

导出的构造参数

工厂会记录诸如激活函数、归一化以及嵌入维度等构建参数。导出时会排除设备/数据类型配置以及捕获的训练正则化参数：drop_rate、drop_path_rate、drop_block_rate 和 *_drop_rate。因此，重新加载时会使用架构的正则化默认值，除非调用者提供了新的值。显式导出的 model_args 可以在有意保留某个比率时将其保留下来。

可调用参数无法可靠地序列化。在构建模型时，建议优先使用已注册的字符串名称，或在导出时提供等效的名称：

import torch.nn as nn

model = timm.create_model('resnet18', act_layer=nn.SiLU)
save_for_hf(model, 'my_silu_resnet', model_args={'act_layer': 'silu'})

如果没有可序列化的替代项，export 会引发一个错误，并指明该参数。 静默地丢弃该参数可能会导致重建出一个不同的模型，即使其权重加载成功也是如此。