最近要做一份工作需要复现一篇论文的结果，但是论文的source code是lua语言，torch7框架的，所以自己在学习语言和搭建环境上花费了比较多的时间，最后网路也没调通，身边也没找到有接触过lua+torch使用的人，因此咨询了大神，可以将torch的模型迁移到pytorch上。
因此打算将这一段时间的工作写在博客上记录起来，方便自己后面查阅。

1. lua+torch安装
   lua和torch的安装方法，网上有很多，就不赘述了，都是相同的内容。
   这里需要注意的是，因为版本的问题，我所用的服务器的cuda版本是10.0，这样使用官方给的安装教程安装失败了，通过在网上查找各大神的安装经验，找到了一条非常有帮助的：
   cuda10以上版本，需要将cmake版本提升到3.13以上（这里我将cmake提升到了3.14.3）。
   然后用

https://github.com/nagadomi/distro

这个替代官方代码，其余编译和安装依赖包等都是相同的。

2. 安装loadcaffe模块
   sudo luarocks --from=https://raw.githubusercontent.com/torch/rocks/master/ install loadcaffe
3. 安装hdf5
   sudo ~/torch_new/install/bin/luarocks install hdf5
   但是在执行这个之前，要安装一些依赖，记录找不到了，可以直接搜索这个。
   这个路径是我自己安装的路径，可以根据自己的安装位置改写，至于为什么不直接用luarocks指令，我也不清楚，因为我直接用会报错，什么包都没搜索到。
4. cudnn安装
   我才发现我现在用的服务器没有安装cudnn，又忙着装了一下cudnn7.6.0。

————————————————————————————————————
开始正经工作了。

5. torch模型参数的保存
   因为论文的作者提供了pretrain的model。因此打算直接将原model每一层的weight和bias读取出来，保存起来，然后在pytorch中搭建相同的模型，将参数读进去，完成迁移。
   torch中有一个指令可以直接获取model中所有有参数的层的weight和bias，还有梯度。

parameters, gradParameters = net:getParameters()

parameter是所有层的参数的堆叠，都放在这里面了。
我是将这个参数保存在txt里了：

local pm = io.open("parameters.txt","w")
pm:write(tostring(parameters))
io.close(pm)

还可以逐层保存。
有参数的层有三类，conv层，bn层，和linear层。都是weight+bias。
可以参照

https://blog.csdn.net/baidu_33693914/article/details/80259961

来保存每一层的参数：

net = nn.Sequential()
net:add(nn.SpatialConvolution(1, 6, 5, 5)) -- 1 input image channel, 6 output channels, 5x5 convolution kernel
net:add(nn.ReLU())                       -- non-linearity 
net:add(nn.SpatialMaxPooling(2,2,2,2))     -- A max-pooling operation that looks at 2x2 windows and finds the max.
net:add(nn.SpatialConvolution(6, 16, 5, 5))
net:add(nn.ReLU())                       -- non-linearity 
net:add(nn.SpatialMaxPooling(2,2,2,2))
net:add(nn.View(16*5*5))                    -- reshapes from a 3D tensor of 16x5x5 into 1D tensor of 16*5*5
net:add(nn.Linear(16*5*5, 120))             -- fully connected layer (matrix multiplication between input and weights)
net:add(nn.ReLU())                       -- non-linearity 
net:add(nn.Linear(120, 84))
net:add(nn.ReLU())                       -- non-linearity 
net:add(nn.Linear(84, 10))                   -- 10 is the number of outputs of the network (in this case, 10 digits)
net:add(nn.LogSoftMax())   
--查看参数两种方式
net.modules[1]==net:get(1)              --true --nn.SpatialConvolution(1 -> 6, 5x5)
net:get(1).bias   --[0.0183,0.1677,0.0273,-0.0872,-0.1100,-0.0090] torch.DoubleTensor of size 6

我所使用的网络中还使用了别的模块，例如：

这里提一下table中的层怎么保存参数：

weight_level = net:get(25):get(1).weight
bias_level = net:get(25):get(1).weight

也就是用两个get()来索引。

---------------------------------更新2.7---------------------------------------

按照上面的过程，将所有的参数都单独保存成为一个文件（我保存的是txt）。
然后将文件中的内容读出来，保存到numpy数组中。
这里需要注意的是numpy数组的shape要和model中每一层的weight或者bias的shape要相同！
如：

self.conv1 = nn.Conv1d(1, 16, 64, 2, 32)
print(self.conv1.weight.shape, self.conv1.bias.shape)
得到的是：
torch.Size([16, 1, 64])  torch.Size([16])

因此numpy数组就需要reshape成对应的shape，这个还是挺方便的，在torch中保存参数时，每一个文件的最后都会附上对应的shape。

这里假设我得到的结果，处理好的numpy数组是c1_weight, c1_bias，则按下面的指令将数据读取进来：

self.conv1 = nn.Conv1d(1, 16, 64, 2, 32)
self.conv1.weight.data = torch.FloatTensor(c1_weight).cuda()
self.conv1.bias.data = torch.FloatTensor(c1_bias).cuda()

这两行我是写在初始化里面的，我是将所有的都写好，然后将模型保存下来，后面直接读取模型就可以了，就不用每次定义模型时都加载一次参数了。
这是卷积层，bn层和linear都是一样的，保证shape一致就可以了。

另外：torch7中可以通过

parameters, gradParameters = net:getParameters()

来获取所有的有参数层的参数，但是这个和我们逐层提取的参数是由排列上的区别的（只是层内的数据），因此建议谨慎使用这个整体读取出来的数据（虽然可以直接根据网络计算出哪一些行是对应哪一层的参数，但是排列上有一点区别，我个人没有尝试这种方法，并不知道能够对齐）。

谢谢。