我们在训练单通道图像，即灰度图（如医学影像数据）时，常会使用预训练模型进行训练。
但是一般的预训练模型是以ImageNet数据集预训练的，训练的对象是三通道的彩色图片。
这需要对模型的参数进行修改，让第一个卷积层的参数从3通道卷积改成1通道卷积。
（比如下图是将三通道改成单通道后卷积层的变化）
我们知道灰度图是三通道图各个通道的加权平均，所以我们可以假设改成单通道后，将3个通道对应的卷积矩阵对应位置相加(sum)得到1通道的卷积矩阵，再去卷积灰度图，这样几乎不折损对图像的特征提取能力。
下面以Resnet50预训练模型为例来修改第1个卷积层的参数，使其能用于单通道图片的训练。
1.导出模型参数，修改参数
Pytorch中修改模型的参数，如果涉及网络结构的变化，需要先修改网络结构再赋予参数值。
即导出预训练模型参数→修改预训练模型参数→修改模型的网络结构→导回修改后的模型
from torchvision.models import resnet50
net = resnet50(pretrained=True)
print(net.conv1) # 查看第一个卷积层的结构
weights = net.state_dict() # state_dict()以 有序字典 罗列参数
print(weights.keys()) # 查看参数的key
weights['conv1.weight'].shape # 根据key取到参数，查看形状
修改模型参数
weights['conv1.weight'] = weights['conv1.weight'].sum(1, keepdim=True) # 修改第一个卷积层的参数，从3通道卷积改成1通道卷积
weights['conv1.weight'].shape # 查看修改后的形状
2.修改模型结构，导回参数
import torch.nn as nn
# 修改第一个卷积层的结构
net.conv1 = nn.Conv2d(1, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)
# 导入修改后的参数
net.load_state_dict(weights)
net
修改成功！
接下去就可以用你自己的灰度图数据集来微调这个预训练模型了。