深度学习:UserWarning: The parameter ‘pretrained‘ is deprecated since 0.13..解决办法

深度学习:UserWarning: The parameter 'pretrained' is deprecated since 0.13 and may be removed in the future, please use 'weights' instead. 解决办法

1 报错警告:

pytorch版本:0.14.1

在利用pytorch中的预训练模型时,如resnet18

import torchvision.models as models
pretrained_model = models.resnet18(pretrained=True)

会提示警告:

UserWarning: The parameter 'pretrained' is deprecated since 0.13 and may be removed in the future, please use 'weights' instead.
  f"The parameter '{pretrained_param}' is deprecated since 0.13 and may be removed in the future, "

看出给出的原因是在0.13版本后,开始使用weights参数。

2 处理方法:

接下来为处理这个问题的方法,不同的预训练模型方法适用 以model.resnet18()为例

  • 首先点击models.resnet18()函数,进入函数内部,可以看到如下内容

    @handle_legacy_interface(weights=("pretrained", ResNet18_Weights.IMAGENET1K_V1))
    

    def resnet18(*, weights: Optional[ResNet18_Weights] = None, progress: bool = True, **kwargs: Any) -> ResNet:
    """ResNet-18 from Deep Residual Learning for Image Recognition <https://arxiv.org/pdf/1512.03385.pdf>__.

      Args:
          weights (:class:`~torchvision.models.ResNet18_Weights`, optional): The
              pretrained weights to use. See
              :class:`~torchvision.models.ResNet18_Weights` below for
              more details, and possible values. By default, no pre-trained
              weights are used.
          progress (bool, optional): If True, displays a progress bar of the
              download to stderr. Default is True.
          **kwargs: parameters passed to the ``torchvision.models.resnet.ResNet``
              base class. Please refer to the `source code
              <https://github.com/pytorch/vision/blob/main/torchvision/models/resnet.py>`_
              for more details about this class.
    
      .. autoclass:: torchvision.models.ResNet18_Weights
          :members:
      """
      weights = ResNet18_Weights.verify(weights)
    
      return _resnet(BasicBlock, [2, 2, 2, 2], weights, progress, **kwargs)
    
  • 首先看到第一行weights=("pretrained", ResNet18_Weights.IMAGENET1K_V1),所以这个还是可以用的,相当于利用了ResNet18_Weights.IMAGENET1K_V1参数。然后看第二行的这个weights函数接受的ResNet18_Weights,再次进入内部,可以看到如下:

    class ResNet18_Weights(WeightsEnum):
    IMAGENET1K_V1 = Weights(
    url="https://download.pytorch.org/models/resnet18-f37072fd.pth",
    transforms=partial(ImageClassification, crop_size=224),
    meta={
    **_COMMON_META,
    "num_params": 11689512,
    "recipe": "https://github.com/pytorch/vision/tree/main/references/classification#resnet",
    "_metrics": {
    "ImageNet-1K": {
    "acc@1": 69.758,
    "acc@5": 89.078,
    }
    },
    "_docs": """These weights reproduce closely the results of the paper using a simple training recipe.""",
    },
    )
    DEFAULT = IMAGENET1K_V1

这个是选择的参数,其他的预训练模型可以有多个版本,如下面ResNet50_Weights, 可以根据自己需求选择需要的。

  • 上面的函数已经给出了调用方法Args: weights (:class:~torchvision.models.ResNet18_Weights, optional)
    所以直接

    pretrained_model = models.resnet18(models.ResNet18_Weights.IMAGENET1K_V1)

也可以

pretrained_model = models.resnet18(models.ResNet18_Weights.DEFAULT)

这两个是一样的。

3.总结

在版本更新之后可能会有些变化,有些函数调用方式的变化可以直接通过函数内部查看然后修改,重点是修改思路解决相同类似的问题。

相关推荐
hummhumm18 分钟前
第 25 章 - Golang 项目结构
java·开发语言·前端·后端·python·elasticsearch·golang
deephub19 分钟前
优化注意力层提升 Transformer 模型效率:通过改进注意力机制降低机器学习成本
人工智能·深度学习·transformer·大语言模型·注意力机制
杜小满22 分钟前
周志华深度森林deep forest(deep-forest)最新可安装教程,仅需在pycharm中完成,超简单安装教程
python·随机森林·pycharm·集成学习
搏博31 分钟前
神经网络问题之二:梯度爆炸(Gradient Explosion)
人工智能·深度学习·神经网络
KGback37 分钟前
【论文解析】HAQ: Hardware-Aware Automated Quantization With Mixed Precision
人工智能
电子手信1 小时前
知识中台在多语言客户中的应用
大数据·人工智能·自然语言处理·数据挖掘·知识图谱
不高明的骗子1 小时前
【深度学习之一】2024最新pytorch+cuda+cudnn下载安装搭建开发环境
人工智能·pytorch·深度学习·cuda
Chef_Chen1 小时前
从0开始学习机器学习--Day33--机器学习阶段总结
人工智能·学习·机器学习
搏博1 小时前
神经网络问题之:梯度不稳定
人工智能·深度学习·神经网络
Sxiaocai1 小时前
使用 PyTorch 实现并训练 VGGNet 用于 MNIST 分类
pytorch·深度学习·分类