【Pytorch】现有网络模型的使用及修改 - 学习笔记

最新推荐文章于 2024-02-02 10:26:57 发布
最新推荐文章于 2024-02-02 10:26:57 发布
阅读量956 收藏 3
点赞数
分类专栏： 深度学习 Python Pytorch 文章标签： pytorch 网络 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/FelicityXu/article/details/122866661
版权
深度学习 同时被 3 个专栏收录
43 篇文章 18 订阅
订阅专栏
Python
32 篇文章 1 订阅
订阅专栏
Pytorch
21 篇文章 2 订阅
订阅专栏
本文探讨了如何使用PyTorch的torchvision库加载预训练的VGG16模型，并针对CIFAR10数据集进行迁移学习，同时展示了如何修改模型结构以适应新任务。通过实例代码，理解模型参数调整和预训练效果的对比。
摘要由CSDN通过智能技术生成

视频地址

本文依旧是对视频内容进行记录

在官方文档里可以看到torchvision提供的一些视觉相关的模型~
在这里插入图片描述
考虑到数据集大小，我们使用CIFAR10数据集，网络采用VGG16（VGG网络中常用的为VGG16和VGG19）
在这里插入图片描述
可以看到模型有两个参数：

  • pretrained：如果=True，返回一个使用ImageNet预训练过的模型
  • progress：如果=True，会展示一个训练的进度条

写代码比较一下

import torchvision

# 没有预训练过的数据集，参数为初始化默认的，不可能为0
vgg16_false = torchvision.models.vgg16(pretrained=False)
# 与训练过的数据集，参数为预训练之后的参数
vgg16_true = torchvision.models.vgg16(pretrained=True)
print('ok')

进行断点调试
在这里插入图片描述
在上图的基础上，找到Protected Attributes->modules->‘0’->weight->data，可以对比两者的区别

咱们来print一下网络模型

print(vgg16_true)

输出结果为

VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (25): ReLU(inplace=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True)
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
  )
)

模型增加层

咱们看如何把vgg16应用到CIFAR数据集上，并修改模型使得之前分1000类，现在分10类

import torchvision

# 没有预训练过的数据集，参数为初始化默认的，不可能为0
from torch import nn

vgg16_false = torchvision.models.vgg16(pretrained=False)
# 与训练过的数据集，参数为预训练之后的参数,VGG16把数据分为1000类
vgg16_true = torchvision.models.vgg16(pretrained=True)

print(vgg16_true)

train_data = torchvision.datasets.CIFAR10('./dataset', train=True, transform=torchvision.transforms.ToTensor())

# 在网络整个最后添加一个线性层，使得vgg网络输出特征由1000->10
vgg16_true.add_module('add_linear', nn.Linear(1000, 10))
# 在classifier中加一个线性层
# vgg16_true.classifier.add_module('add_linear', nn.Linear(1000, 10))
print(vgg16_true)

输出结果为

D:\Anaconda3\envs\pytorch\python.exe D:/研究生/代码尝试/model_pretrained.py
VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (25): ReLU(inplace=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True)
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
  )
)
VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (25): ReLU(inplace=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True)
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
  )
  (add_linear): Linear(in_features=1000, out_features=10, bias=True)
)

Process finished with exit code 0

模型修改层

如果不想增加层，想修改某一层的参数该怎么做？
以vgg16_false为例，我们想修改它分类器第七个线性层的参数从1000->10

import torchvision

# 没有预训练过的数据集，参数为初始化默认的，不可能为0
from torch import nn

vgg16_false = torchvision.models.vgg16(pretrained=False)
# 与训练过的数据集，参数为预训练之后的参数,VGG16把数据分为1000类
vgg16_true = torchvision.models.vgg16(pretrained=True)

print(vgg16_true)

train_data = torchvision.datasets.CIFAR10('./dataset', train=True, transform=torchvision.transforms.ToTensor())

# 利用vgg16_false修改某一层
# print(vgg16_false)
vgg16_false.classifier[6] = nn.Linear(4096, 10)
print(vgg16_false)

输出结果为

D:\Anaconda3\envs\pytorch\python.exe D:/研究生/代码尝试/model_pretrained.py
VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (25): ReLU(inplace=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True)
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
  )
)
VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (25): ReLU(inplace=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True)
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=10, bias=True)
  )
)

Process finished with exit code 0

我们发现最后一层就已经被修改啦

Lucy@IshtarXu
关注
专栏目录
pytorch 更改预训练模型网络结构的方法
09-18
今天小编就为大家分享一篇pytorch 更改预训练模型网络结构的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
01.15 pytorch学习（现有网络模型的使用及修改）
m0_49936845的博客
01-15 455
pytorch中有很多已经训练好的数据集 我们以VGG为例： 可以看到VGG的训练了ImageNet图像数据集 下面代码演示（因为下载ImageNet数据集太吃力，所以演示如何修改这些已有的数据集。其余见代码注释）： import torchvision.datasets import torch.nn as nn #这个数据集（ImageNet）没有提供像前面数据集的自动下载功能，因为数据集太大了（100多g），需要自己到网络上下载 #train_data = torchvision.dataset
【Pytorch】加载预训练模型及修改网络结构
capsule的博客
10-22 5623
Pytorch有自带的训练好的AlexNet、VGG、ResNet等网络架构。可以看到，AlexNet有三个层，分别是features、avgpool、classifier。用model.features查看features层（也就是卷积层）的网络结构。**
如何改进深度学习网络模型
yuanyuan_q的博客
06-08 1721
在尝试新的创新点之前，必须对现有的网络有深入的了解，了解其优缺点和局限性，在此基础上进行改进。同时要大量阅读领域内的文献方法，读的多了，想的多了，其实很多新点子就会在头脑中“乍现”，如果你一直在思考某个问题，总会有个时刻你会“顿悟”。当我们学习一个别人的深度学习网络时，我们肯定会想如何在这个模型的基础上经过改造加入自己的创新点，使得网络性能能有所提升呢？当一个现有网络有足够多自己创新点的加持，在解决一个别的问题时，自己就可以拿来使用求解问题和发论文了。例如，使用新的损失函数、调整损失函数的权重等等。
现有网络模型的使用和修改
ggj0727的博客
08-05 511
（联邦学习笔记） 在pytorch中，torchvison.module里有很多现有的模型可以直接使用，包括 Alexnet VGG ResNet SqueezeNet DenseNet Inception v3 GoogLeNet ShuffleNet v2 MobileNet v2 MobileNet v3 ResNext Wide ResNet MNASNet Quantized Models 官方文档链接：https://pytorch.org/vision/stab.
【学习笔记】【Pytorch】十四、现有网络模型的使用及修改
qq_45772756的博客
01-16 513
VGG16网络模型是一个1000分类问题，将其网络修改成10分类问题： - 法1：在最后的全连接层添加一个int_features=1000，out_features=10的线性层。 - 法2：修改全连接层中最后一个线性层的out_features=10。
小土堆：Pytorch深度学习：现有网络模型的使用及修改
Brightyang666的博客
08-22 403
【代码】Pytorch深度学习：现有网络模型的使用及修改。
pytorch学习笔记（一）-- 《深度学习入门》红色石头
weixin_43752486的博客
05-26 398
文章目录深度学习基础-红色石头待学习一、python基础知识已学习：二、PyTorch1.安装配置环境2.基础知识三、神经网络基础知识感知机逻辑回归模型 深度学习基础-红色石头 待学习 Anaconda和jupyter notebook plt.legend() 一、python基础知识 已学习： 基础知识 Numpy矩阵运算 Matplotlib绘图 列表： 同一列表可以使不同数据类型 索引-1代表倒数第一个元素 a[0:3]包含a[0]、a[1]、a[2],冒号右边是结束索引，不包含在切片内 .
【深度学习】基于PyTorch架构神经网络学习总结（基础概念&基本网络搭建）
weixin_62100318的博客
02-02 1271
利用PyTorch架构使用神经网络模型时，一般是利用torch.nn函数自定义神经网络框架 | 官方示例： 对于forward函数相对于是用来说明神经网络中的处理过程，如进行卷积运算的次数与类型等，也可以进行简单的数据处理，如下： 卷积层（convolution） stride参数用于设置卷积核在图像中的运行步数，如果为单个整数则说明横向纵向都是一样的，也可以设置为元组，（H,W）（横向、纵向）默认为1padding：进行填充使用示例： 输出效果：dilation:设置卷积核的间隔，一般设置为
pytorch基础学习笔记
最新发布
03-13
### PyTorch基础学习笔记 #### 一、PyTorch简介及安装 ##### 1.1 PyTorch简介 PyTorch是由Facebook的人工智能研究实验室（FAIR）开发的一款开源机器学习库，专为利用GPU加速张量计算和深度学习而设计。PyTorch的...
pytorch学习日记（从小白到入门的全代码过程和md笔记）
01-19
线性层的使用、搭建小网络和sequential的使用、损失函数的介绍和使用、反向传播的作用和使用、优化器的作用和使用、现有网络模型的使用及修改、模型的保存及加载、完整模型的训练和测试过程以及最后实现一个pytorch...
现有网络模型的使用及修改
红凯的博客
05-23 166
VGG分类模型
pytorch对网络层的增加，删除，变更和切片
顾伟的博客
03-24 2599
今天在这里纪录一下如何对torch网络的层进行更改：变更，增加，删除与查找这里拿VGG16网络举例，先看一下网络结构。
PyTorch学习笔记（7）网络模型的使用与修改
游星的博客
08-20 519
如何使用现有的网络模型
PyTorch入门学习（十五）：现有网络模型的使用及修改
qq_46179411的博客
11-05 386
例如，如果希望将预训练的VGG16模型用于CIFAR-10数据集，我们需要更改模型的输出层，以便适应CIFAR-10的10个类别。在深度学习中，许多流行的深度学习框架（如PyTorch和TensorFlow）提供了一系列现成的深度学习模型，这些模型经过在大规模数据集上的训练，并可以用于各种计算机视觉任务。如果需要直接修改深度学习模型的结构，例如更改某一层的结构，也可以轻松实现。方法添加了一个新的全连接层，将模型的输出从1000类别转换为10类别。在这个示例中，首先加载了预训练的VGG16模型，然后使用。
【学习笔记】现有网络模型的使用及修改
weixin_48323483的博客
01-30 684
因为很多框架将vgg16当作前置网络结构（用来提取一些特殊的特征），然后在vgg16后面加一些结构，实现特殊的功能。选择torchvision，版本选择0.9.0，打开torchvision.models，下面以VGG16模型（在ImageNet数据集中训练的）为例，下面有两种方法将vgg16模型通过添加一个线性层linear，使网络模型满足CIFAR10的网络模型结构。方法二：通过改vgg16模型的输出，将输出1000类别改为10，具体如何用代码实现呢？一. 如何加载pytorch提供的网络模型？
PyTorch - 18 - CNN权重 - PyTorch神经网络中的可学习参数
weixin_48367136的博客
01-12 1969
欢迎回到有关使用PyTorch进行神经网络编程的系列文章。 现在是时候了解我们CNN内部的重量张量了。 我们会发现这些权重张量存在于我们的图层中，并且是网络的可学习参数。 事不宜迟，让我们开始吧。
Pytorch学习笔记总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
11-10 8202
PyTorch学习笔记整理，内容参考多个多个优秀Pytorch学习资源，适合深度学习pytorch学习者学习。(开篇词)PyTorch 学习笔记 - PyTorch 学习笔记；动手学CV-Pytorch:动手学CV-Pytorch；Pytorch 中文文档：主页 - PyTorch中文文档；Pytorch Tutorials...
PyTorch笔记 - A ConvNet for the 2020s (ConvNeXt) 训练
Mystra
12-08 795
Paper：A ConvNet for the 2020s，FAIR，BerkeleyCode：https://github.com/facebookresearch/ConvNeXtConvNeXt去掉下采样层，就是与ViT各项同性ViT来源于DeiT -> ViT-S/B，MAE -> ViT-Lwarm-up的epoch增多源码： 训练main.py：训练命令： 多机多卡的训练 导入timm的库，实现非常多的CV模型。 ArgumentParser，终端传入参数 main源码：
Pytorch LSTM预测模型ch-lstm-forecast-mai笔记解析
再从压缩包子文件的文件名称列表“Pytorch-lstm-forecast-main (4).zip”可以推断，文档可能与使用PyTorch这个流行的深度学习框架实现LSTM模型有关。PyTorch是一个开源机器学习库，它广泛用于计算机视觉和自然语言...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值