作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/121184678
目录
第1章 torchvision与预训练模型的自动下载
第2章 预训练模型的手工下载
第3章 网络介绍
第4章 前置条件:系统库的导入
第5章 预训练模型的导入
5.1 模型的创建
5.2 模型参数的导入
5.3 模型参数的应用
5.4 模型的简单测试
第1章 torchvision与预训练模型的自动下载
[Pytorch系列-37]:工具集 - torchvision库详解(数据集、数据预处理、模型)_文火冰糖(王文兵)的博客-CSDN博客作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录第1章Pytorch常见的工具集简介第2章Pytorch的torchvision工具集简介第3章torchvision.datasets 简介3.1 简介3.2 支持的数据集列表第4章torchvision.models简介4.1 简介4.2 支持的模型4.3构造具有随机权重的模型4.4 使用预预训练好的模型第5章 torchvision.tr...https://blog.csdn.net/HiWangWenBing/article/details/121149809
第2章 预训练模型的手工下载
[Pytorch系列-42]:工具集 - torchvision常见预训练模型的下载地址_文火冰糖(王文兵)的博客-CSDN博客作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:目录步骤1:torchvision概述步骤2:如何获取框架提供的预训练模型步骤3:通过IE浏览器手工下载模型步骤4:加载模型步骤1:torchvision概述[Pytorch系列-37]:工具集 - torchvision库详解(数据集、数据预处理、模型)_文火冰糖(王文兵)的博客-CSDN博客作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDhttps://blog.csdn.net/HiWangWenBing/article/details/121184391
第3章 网络介绍
[人工智能-深度学习-38]:卷积神经网络CNN - 常见分类网络- ResNet网络架构分析与详解_文火冰糖(王文兵)的博客-CSDN博客_vgg与resnet作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址第1章 卷积神经网络基础1.1 卷积神经发展与进化史AlexNet是深度学习的起点,后续各种深度学习的网络或算法,都是源于AlexNet网络。[人工智能-深度学习-31]:卷积神经网络CNN - 常见卷积神经网络综合比较大全_文火冰糖(王文兵)的博客-CSDN博客作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:第1章 人工智能发展.https://blog.csdn.net/HiWangWenBing/article/details/120915279?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163620335116780265496575%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=163620335116780265496575&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_v2~rank_v29-1-120915279.pc_v2_rank_blog_default&utm_term=Resnet&spm=1018.2226.3001.4450
第4章 前置条件:系统库的导入
import torch # torch基础库
import torchvision.models as models # torchvision模型库
print("Hello World")
print(torch.__version__)
print(torch.cuda.is_available())
第5章 预训练模型的导入
5.1 模型的创建
## 创建模型
net = models.resnet101()
print(net)
5.2 模型参数的导入
##导入模型参数
net_params_path = "models/resnet101.pth"
net_params = torch.load(model_params_path)
print(net_params)
5.3 模型参数的应用
# 把加载的参数应用到模型中
net.load_state_dict(net_params)
print(net)
5.4 模型的简单测试
(1)测试1
print("定义测试数据")
input = torch.randn(1, 3, 224, 224)
print("input shape = ", input.shape)
output = net(input)
print("output shape = ", output.shape)
定义测试数据
input shape = torch.Size([1, 3, 224, 224])
output shape = torch.Size([1, 1000])
(2)测试2:
print("定义测试数据")
input = torch.randn(1, 3, 224, 224)
print("input shape = ", input.shape)
output = net(input)
print("output shape = ", output.shape)
定义测试数据
input shape = torch.Size([1, 3, 224, 224])
output shape = torch.Size([1, 1000])
此时,可以使用该模型对图片进行预测了!!!
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/121184678