一、VGG 和 ResNet
当你在机器学习领域时,理论和实践是同等需要的。但是因为硬件限制会严重影响你的机器学习进程。值得庆幸的是,在互联网上上传预先训练的模型权重来帮助我们绕过这些问题。这些模型在庞大的数据集上进行训练,使其成为非常强大的特征提取器。
所以不仅可以将这些模型用于您的任务,还可以用作基准。但是在特定数据集上训练的模型是否适用于您的问题所特有的任务?这是一个需要考虑的问题。例如,假设您有一个在 ImageNet 上训练的模型(1400 万张图像和20000个分类)。在这种情况下,针对相似且更具体的图像分类对其进行微调将得到好的结果,因为预训练的模型已经是一个熟练的特征提取器。
借助网络上提供的大量预训练模型权重,Torch Hub 将整个过程浓缩为一行代码来解决这些问题。因此,您不仅可以在本地系统中加载 SOTA 模型(state-of-the-art,最好或者最先进的模型),还可以选择是否要对其进行预训练。
二、VGG 和 ResNet 架构回顾
VGG16架构是在论文“ Very Deep Convolutional Networks for Large-Scale I