不使用prune函数，对已经训练好的超分辨率模型剪枝代码

对已经训练好的超分辨率模型进行剪枝，可以使用以下步骤：

1. 加载已经训练好的模型。

import torch
from model import SuperResolutionModel

model = SuperResolutionModel()  # 实例化模型

# 加载已经训练好的模型参数
model.load_state_dict(torch.load('model.pth'))

2. 计算每个卷积层的权重。

weights = []
for name, param in model.named_parameters():
    if 'conv' in name and 'weight' in name:
        weights.append(param)

3. 使用 KMeans 对权重进行聚类，并找到需要保留的中心点。

from sklearn.cluster import KMeans

n_clusters = 16  # 聚类数量
kmeans = KMeans(n_clusters=n_clusters, n_jobs=-1)
kmeans.fit(torch.cat(weights).detach().cpu().numpy())

centers = []
for i in range(n_clusters):
    cluster_center = torch.from_numpy(kmeans.cluster_centers_[i]).float().cuda()
    centers.append(cluster_center)

4. 对模型进行剪枝，并更新卷积层的权重。

idx = 0
for name, module in model.named_modules():
    if isinstance(module, torch.nn.Conv2d):
        weight = module.weight.data
        bias = module.bias.data if module.bias is not None else None
        n_filters = weight.shape[0]

        # 计算每个卷积核的 L2 范数，并根据聚类结果找到需要保留的卷积核
        norms = torch.norm(weight.view(n_filters, -1), 2, 1)
        indices = torch.argmin(torch.cdist(norms.reshape(-1, 1), torch.cat([c.view(1, -1) for c in centers])), dim=1)

        # 剪枝，保留需要的卷积核
        weight = torch.index_select(weight, 0, indices)
        if bias is not None:
            bias = torch.index_select(bias, 0, indices)

        # 更新卷积层的权重
        module.weight.data = weight
        if bias is not None:
            module.bias.data = bias

        idx += 1

# 保存剪枝后的模型
torch.save(model.state_dict(), 'pruned_model.pth')

这里采用的是 KMeans 算法对权重进行聚类，找到需要保留的中心点。在实际使用中，可以根据实际情况选择其他聚类算法或剪枝策略。