目录
一、使用现有网络模型
PyTorch提供了许多流行的深度学习模型,这些模型在大规模图像数据集上进行了预训练。其中一个著名的模型是VGG16。下面是如何使用VGG16模型的示例代码:
python
import torchvision
from torch import nn
from torchvision.models import VGG16
# 使用不带预训练权重的VGG16模型
vgg16_false = torchvision.models.vgg16(pretrained=False)
# 使用预训练权重的VGG16模型
vgg16_true = torchvision.models.vgg16(pretrained=True)
print(vgg16_false)
print(vgg16_true)
在上述代码中,使用torchvision.models.vgg16
来加载VGG16模型。通过pretrained
参数,我们可以选择是否加载预训练的权重。vgg16_false
代表一个不带预训练权重的VGG16模型,而vgg16_true
代表一个带有预训练权重的模型。
二、修改现有网络模型
一旦加载了现有的网络模型,可以对其进行修改,以满足特定任务的需求。下面是如何修改VGG16模型的示例代码:
python
import torchvision
from torch import nn
from torchvision.models import VGG16
# 加载带有预训练权重的VGG16模型
vgg16 = torchvision.models.vgg16(pretrained=True)
# 添加一个新的线性层,将输出从1000类修改为10类
vgg16.classifier.add_module('add_linear', nn.Linear(1000, 10))
# 修改VGG16模型的最后一个全连接层
vgg16.classifier[6] = nn.Linear(4096, 10)
print(vgg16)
在上述代码中,加载了一个带有预训练权重的VGG16模型,并通过add_module
方法添加了一个新的线性层,将输出从1000类修改为10类。此外,还演示了如何通过修改模型的索引来改变VGG16模型的最后一个全连接层。
这种方法可以帮助您快速构建适用于特定任务的模型,而无需从头开始训练整个网络。
完整代码如下:
python
import torchvision
from torch import nn
from torchvision.models import VGG16_Weights
# train_data = torchvision.datasets.ImageNet("D:\\Python_Project\\pytorch\\data_image_net",split="train",download=True,transform=torchvision.transforms.ToTensor())
# 错误原因:参数pretrained自0.13起已弃用,将在0.15后删除,要改用"weights"。
vgg16_false = torchvision.models.vgg16(weights=None)
vgg16_true = torchvision.models.vgg16(weights=VGG16_Weights.DEFAULT)
# print(vgg16_true)
# 要想用于 CIFAR10 数据集, 可以在网络下面多加一行,转成10分类的输出,这样输出的结果,跟下面的不一样,位置不一样
# vgg16_true.add_module('add_Linear',nn.Linear(1000,10))
# print(vgg16_true)
vgg16_true.classifier.add_module('add_linear',nn.Linear(1000,10))
# 层级不同
# 如何利用现有的网络,改变结构
print(vgg16_true)
# 上面是添加层,下面是如何修改VGG里面的层内容
print(vgg16_false)
vgg16_false.classifier[6] = nn.Linear(4096,10) # 中括号里的内容,是网络输出结果自带的索引,套进这种格式,就可以直接修改那一层的内容
print(vgg16_false)
参考资料: