PyTorch Hub预训练模型直接调用

最新推荐文章于 2024-09-12 14:17:53 发布

匿名User

最新推荐文章于 2024-09-12 14:17:53 发布

阅读量3.1k

点赞数

本文链接：https://blog.csdn.net/m0_45282009/article/details/121659172

版权

PyTorchHub AlexNet 图像分类预训练模型 torch.hub.load

关键词由CSDN通过智能技术生成

PyTorch Hub的使用简单到不能再简单，不需要下载模型，只用了一个torch.hub.load()就完成了对图像分类模型AlexNet的调用。

import torch
model = torch.hub.load('pytorch/vision', 'alexnet', pretrained=True)
model.eval()

下面让我们来看看每个应用的实例。

1、查询可用的模型
用户可以使用torch.hub.list()这个API列出repo中所有可用的入口点。比如你想知道PyTorch Hub中有哪些可用的计算机视觉模型：

torch.hub.list('pytorch/vision')

['alexnet',
'deeplabv3_resnet101',
'densenet121',
...
'vgg16',
'vgg16_bn',
'vgg19',
 'vgg19_bn']

之前错误的

xlmr = torch.hub.load('pytorch/fairseq', 'xlmr.large')

import torch
xlmr = torch.hub.load('pytorch/fairseq:main', 'xlmr.large')

自然语言处理相关的
https://blog.csdn.net/zzx188891020/article/details/105795126

关注博主即可阅读全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

匿名User

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

【AI】Pytorch 系列：预训练模型使用

liudongdong_jlu

01-10

764

修改网络的第一个卷积层的输入为4通道，输出的结果预测为10个类别fc1,fc2,return out。

深度学习pytorch之hub模块

qq_38404903的博客

11-10

1131

pytorchhub模块里面有很多模型。

参与评论您还未登录，请先登录后发表或查看评论

自然语言处理(NLP)-预训练模型：别人已经训练好的模型，可直接拿来用【ELMO、BERT、ERNIE（中文版BERT）、GPT、XLNet...】

u013250861的博客

12-21

2529

预训练模型(Pretrained model)：一般情况下预训练模型都是大型模型，具备复杂的网络结构，众多的参数量，以及在足够大的数据集下进行训练而产生的模型. 在NLP领域，预训练模型往往是语言模型，因为语言模型的训练是无监督的，可以获得大规模语料，同时语言模型又是许多典型NLP任务的基础，如机器翻译，文本生成，阅读理解等，常见的预训练模型有BERT, GPT, roBERTa, transformer-XL等.

torch hub从本地加载模型

热门推荐

cdknight_happy的专栏

07-05

1万+

转载地址：http://www.sx-gd.org.cn/398aitc620170702c6n499496713.html 瀚宸编译自 Analytics Vidhya 量子位出品 | 公众号 QbitAI 引言跟传统的监督式机器学习算法相比，深度神经网络目前最大的劣势是什么？贵。尤其是当我们在尝试处理现实生活中诸如图像识别、声音辨识等实际问题的时候。一旦你的模型中包含

预训练模型使用

weixin_38257276的博客

03-20

3991

预训练模型加载满足条件部分 预训练模型的使用往往可以涨点，因此是一个非常常见的操作，当我们在改模型或者加载模型的某些层的参数时，并不能像常规那样直接加载进来，因此做一个记录。这里我是用YOLOX做实验 # model = xxx(模型的初始化) model = exp.get_model() 加载模型权重： ckpt = torch.load('xxx/xxx.pt', map_location="cpu") 打印一下保存的pt是啥东西，因为YOLOX保存的pt包含model、ema等等，因此只看我们

Tensorflow如何直接使用预训练模型(vgg16为例)

weixin_44633882的博客

04-06

1万+

Tensorflow如何直接使用预训练模型(vgg16为例) 本文链接：主流的CNN模型基本都会使用VGG16或者ResNet等网络作为预训练模型，正好有个朋友和我说发给他一个VGG16的预训练模型和代码，我就整理了一下。在这里也分享一下，方便大家直接使用。系统环境 Tensorflow-gpu 1.12.0 Python 3.5.2 资料来源官方slim说明 https://gith...

大模型训练完成之后可以直接使用吗？该怎么使用训练好的大模型？

xxue345678的博客

06-24

979

训练大模型的目的，就是为了解决业务问题**”**学习机器学习的人大部分都知道怎么设计并训练一个模型，但开发模型的目的是为了解决业务问题，所以怎么使用大模型也是重中之重。刚训练好的大模型事实上虽然可以用，但由于没有用户接口，所以只能自己用，无法对外提供服务；所以，刚训练好的大模型需要经过一些处理才可以使用，包括数据预处理，接口开发等。训练一个大模型，在训练完成之后最重要的就是要把模型给保存下，然后在使用的时候加载。在什么情况下需要保存模型？

【问题解决】使用 pytorch 通用预训练模型时，如何不从pytorch官网下载，而是直接使用本地模型

呆呆的猫的博客

03-07

493

当我们要用到一些通用预训练模型比如 VGG 时，有时候服务器从pytorch官网下载很慢，则可以对代码做如下修改，直接使用本地的模型即可，避免下载。

【PyTorch】使用pytorch提供的模型训练inception V3（使用预训练模型）

ncc1995的博客

07-01

1万+

前言：最近在用vgg16跑数据，但是参数量实在太大，跑的非常慢，虽然最后结果还算可观。后面又研究了一下GoogLeNet，自己写了inceptionV1的代码，因为跑vgg16一直占着电脑，所以就没有跑,。在这期间，在小老弟电脑上跑了MobileNet V1，找不到pytorch版的预训练权重，所以从头开始跑，过拟合非常严重，等之后研究一下是什么原因，猜测是数据集不平衡太严重以及没有预训练...

【PyTorch实战演练】Faster R-CNN介绍以及通过预训练模型30行代码实现目标检测_faster rcnn预训练模型

2401_84520150的博客

04-21

915

按照国际惯例，首先声明：本文只是我自己学习的理解，虽然参考了他人的宝贵见解及成果，但是内容可能存在不准确的地方。如果发现文中错误，希望批评指正，共同进步。本文介绍Faster R-CNN的结构及原理，并基于PyTorch官方文档使用预训练好的模型进行目标检测实例。关于面试刷题也是有方法可言的，建议最好是按照专题来进行，然后由基础到高级，由浅入深来，效果会更好。Java基础部分算法与编程数据库部分流行的框架与新技术（Spring+SpringCloud+SpringCloudAlibaba）

YOLOv5的Tricks | 【Trick10】从PyTorch Hub加载YOLOv5

Clichong

08-06

2372

如有错误，恳请指出。严格意义来说，这篇文章算不上是yolov5的一个训练技巧，而且yolov5的训练技巧在专栏之前的文章中基本已经都讲完了，之后可以会补充一些yolov5项目的其他内容。比如这篇，从加载YOLOv5模型，不需要克隆不过很多朋友（包括我），在整理之前，还不知道pytorch hub是什么，所以这里顺便介绍一些pytorch hub，然后再根据官方链接介绍如何不需要克隆就可以玩转yolov5项目。官方介绍：Towards Reproducible Research with PyTorch

Pytorch离线下载并使用torchvision.models预训练模型

雷恩Layne

08-04

5986

原本直接在IDE中执行models.alexnet(pretrained=True)就行了，但是一直报错，搞得我好不难受！不用说，肯定是由于网络不好导致模型下载失败，能不能离线下载完之后在本地直接使用？答案是肯定的其实步骤很简单(但是对于新手要命)，就和我们下载软件一样，详细步骤如下：复制需要下载的模型地址，粘贴到浏览器地址栏中下载，各种模型的下载地址如下： 1. Resnet: model_urls = { 'resnet18': 'https://download.pytor

预训练模型简介和使用方法

升级打怪之路

07-29

7864

PyTorch进阶训练技巧

uncle_ll的博客

03-19

633

Pytorch进阶训练技巧

预训练模型的应用（pytorch）

白丁的博客

06-04

9755

文章目录预训练模型使用的场景预训练模型的方法实现预训练模型的加载（pytorch）直接加载预训练模型修改某一层加载部分预训练模型 预训练模型使用的场景声明：该部分有部分参考，若有侵权，请及时告知简单来说，预训练模型(pre-trained model)是前人为了解决类似问题所创造出来的模型。你在解决问题的时候，不用从零开始训练一个新模型，可以从在类似问题中训练过的模型入手。场景一：数据...

Pytorch hub 介绍

u013328485的专栏

08-24

4365

个Facebook的深度学习模型库，一问世就引发了巨大关注。因为它太强了： ResNet、BERT、GPT、VGG、PGAN、MobileNet等深度学习领域的经典模型，只需输入一行代码，就能一键调用。不过，人工智能领域，这样的模型库不仅仅只有PyTorch Hub一个，还有其他4个（来自@爱可可-爱生活）： TensorFlow Hub、TensorFlow Models、Mode...

PyTorch 之强大的 hub 模块和搭建神经网络进行气温预测

每天进步一点点！

03-18

2590

【代码】PyTorch 之强大的 hub 模块和搭建神经网络进行气温预测。

Pytorch 加载预训练模型的两种方式：torchvision和torch.hub

小鹏AI

11-07

1444

查看TorchVision中所包含的预训练模型。查看Hub中所包含的预训练模型。

怎么调用pytorch预训练的mobileNet模型实现图像10分类？

05-15

可以按照以下步骤使用 PyTorch 预训练的 MobileNet 模型实现图像分类： 1. 导入必要的库和模块： ```python import torch import torch.nn as nn import torchvision.transforms as transforms import torchvision.datasets as datasets ``` 2. 定义数据预处理方式： ```python transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) ``` 3. 加载数据集： ```python train_dataset = datasets.ImageFolder(root='train/', transform=transform) test_dataset = datasets.ImageFolder(root='test/', transform=transform) ``` 4. 定义模型： ```python model = torch.hub.load('pytorch/vision:v0.6.0', 'mobilenet_v2', pretrained=True) num_ftrs = model.classifier[1].in_features model.classifier[1] = nn.Linear(num_ftrs, 10) ``` 5. 定义损失函数和优化器： ```python criterion = nn.CrossEntropyLoss() optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9) ``` 6. 训练模型： ```python num_epochs = 10 batch_size = 32 train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False) for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): outputs = model(images) loss = criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() if (i+1) % 100 == 0: print ('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, len(train_loader), loss.item())) ``` 7. 测试模型： ```python with torch.no_grad(): correct = 0 total = 0 for images, labels in test_loader: outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the test images: {} %'.format(100 * correct / total)) ``` 以上是一个简单的图像分类实现示例，可以根据自己的需求进行修改和优化。