简要介绍
timm库，全称pytorch-image-models，是最前沿的PyTorch图像模型、预训练权重和实用脚本的开源集合库，其中的模型可用于训练、推理和验证。github源码链接：
https://github.com/huggingface/pytorch-image-models
文档教程
文档：https://huggingface.co/docs/hub/timm
上手教程：https://towardsdatascience.com/getting-started-with-pytorch-image-models-timm-a-practitioners-guide-4e77b4bf9055
优点
1、方便使用。在python环境中安装timm库，即可用几行代码创建网络模型，并可选择导入在imagenet等数据集上得到的预训练权重；无需再去扒每个模型的源代码，这对于跑模型对比实验是非常方便的，可以节省大量的时间；
2、灵活性高。导入模型的原始做法是，直接用.pth等权重文件导入，但这通常受到保存模型方法的限制，可能出现权重键名称不匹配、网络中间张量操作丢失(只能导入模型权重 却无法导入网络层之间的中间张量操作)等问题；而timm中的模型是对于整个模型的封装，在创建模型后，可以对相应网络层进行改动调整，非常灵活；
3、模型收录全面且前沿。在CV这个模型日新月异的领域，timm及时更新收录了最新的模型，比如，2024.8.8 添加了ECCV2024上的新模型RDNet（工作链接：https://github.com/naver-ai/rdnet）。
缺点
目前使用中感到一点不方便的是，使用函数请求下载这个库中的权重文件时，链接地址大部分是huggingface上的，而huggingface得用US的节点才能有较好的网速 。。。 我的PC可以访问，但服务器访问不了。。。 但这个缺点可以通过一些操作进行规避。常用模型操作
-
查看目前收录模型
使用代码：
timm.list_models('*')
运行效果：
可以看到目前收录共有946个模型，查看目前已收录的模型，从这个列表中确定要导入的目标模型名称。还可以通过正则表达式匹配目标模型名称，并通过指定
pretrained=True筛选有预训练权重的模型。
如下匹配预训练resnet：timm.list_models('resnet*', pretrained=True)
-
创建模型
使用代码(以resnet50为例)：
timm.create_model('resnet50', pretrained=True, in_chans=3, num_classes=6)
这里的主要参数有四个：
第一个是模型名称model_name，
第二个是是否预训练pretrained,
第三个是输入图像的通道数in_chans，
第四个是分类类别数num_classes，指最后输出FC层的维度。注意：在创建模型这步中包含了从网络下载模型权重的操作，
此时就会出现我在“缺点”部分讲到的问题：因为网络无法连接huggingface网站，而导致权重下载请求失败的情况 (多在服务器端出现)。
下面是解决方法：
先在能够连接huggingface网站的PC上，手动下载权重配置文件，使用代码如下：backbone_name = 'resnet50' pretrained_cfg = timm.create_model(backbone_name).default_cfg print(pretrained_cfg)运行后输出配置信息：
{'url': 'https://github.com/rwightman/pytorch-image-models/releases/download/v0.1-rsb-weights/resnet50_a1_0-14fe96d1.pth', 'hf_hub_id': 'timm/resnet50.a1_in1k', 'architecture': 'resnet50', 'tag': 'a1_in1k', 'custom_load': False, 'input_size': (3, 224, 224), 'test_input_size': (3, 288, 288), 'fixed_input_size': False, 'interpolation': 'bicubic', 'crop_pct': 0.95, 'test_crop_pct': 1.0, 'crop_mode': 'center', 'mean': (0.485, 0.456, 0.406), 'std': (0.229, 0.224, 0.225), 'num_classes': 1000, 'pool_size': (7, 7), 'first_conv': 'conv1', 'classifier': 'fc', 'origin_url': 'https://github.com/huggingface/pytorch-image-models', 'paper_ids': 'arXiv:2110.00476'}其中，url对应了模型的下载请求地址，直接将这个url复制粘贴到浏览器中，手动下载权重文件。
获得权重文件后，再使用timm.create_model方法，通过将pretrained_cfg_overlay参数指定为权重文件，来创建模型，这样就是本地创建了：backbone_name = 'resnet50' ckpt_path = './ckpt/resnet50_a1_0-14fe96d1.pth' model = timm.create_model(backbone_name, pretrained=True, pretrained_cfg_overlay=dict(file=ckpt_path)) -
手动调整模型
在cv中，最常见的操作是将某个网络的主干层，用于特征提取。
timm中有专门的方法可以实现这个目的：
feature_ouput = model.forward_features(image)
feature_ouput即为网络在最后的head层之前输出的特征向量。
但这个操作还无法完美解决问题，因为通常认为提取特征就是排除网络的最后一层，但有的网络最后一层中不仅包括全连接(FC)层，在FC层之前还包含池化层。这就需要更灵活的操作，来调整、构建我们想要的网络。
下面是我的代码(以手动添加池化层为例)：feature_extract_model = nn.Sequential(*list(model.children())[:-1], nn.AdaptiveAvgPool2d(1))另外，也可以自己定制最后的head层(但个人感觉这个用途不多)，例如：
model.fc = nn.Sequential( nn.BatchNorm1d(num_in_features), nn.Linear(in_features=num_in_features, out_features=512, bias=False), nn.ReLU(), nn.BatchNorm1d(512), nn.Dropout(0.4), nn.Linear(in_features=512, out_features=10, bias=False))