如何用pytorch1.4.0实现对已经训练好的超分辨率模型进行剪枝，没有weight参数

如果模型中没有 `weight` 参数，可以使用其他参数进行剪枝，例如 `bias` 参数。具体的步骤如下：

1. 导入 `torch.nn.utils.prune` 模块。在 PyTorch 1.4.0 中，该模块已经默认安装，无需额外安装。

import torch.nn.utils.prune as prune

2. 加载已经训练好的超分辨率模型。

import torch
import torchvision.models as models

model = models.resnet18(pretrained=True)

3. 对模型中的某个卷积层进行剪枝。以 ResNet18 模型中的第一个卷积层为例：

module = model.conv1
prune.l1_unstructured(module, name="bias", amount=0.2)

这里使用了 L1 范数进行剪枝，剪枝比例为 20%。这个操作将对模型中的 `conv1` 层的偏置向量进行剪枝。

4. 对模型中所有的卷积层进行剪枝。可以使用 `prune` 函数的 `global_unstructured` 方法来实现：

prune.global_unstructured(
    parameters_to_prune,
    pruning_method=prune.L1Unstructured,
    amount=0.2,
)

其中 `parameters_to_prune` 是一个包含需要剪枝的参数的列表，可以使用 `model.named_parameters()` 来获取模型中的所有参数。

5. 剪枝后需要重新进行模型训练，以恢复模型的准确性。同时可以使用 `prune.remove` 函数将剪枝过程中添加的参数从模型中删除，以免影响后续使用。

prune.remove(module, 'bias')

以上是在 PyTorch 1.4.0 中对已训练超分辨率模型进行剪枝的基本步骤，具体的操作还需要根据模型的具体结构和需求进行调整。