基于迁移学习的网络训练《pytorch学习篇》

引言：首先我们需要搞清楚，什么是迁移学习，迁移学习为什么怎么红，有纳尼作用？然后弄明白如何使用，即将理论转化为实践。

小琼独家所有，请勿侵权！！！

《不搞花里胡哨，直接开干》

1》迁移学习

        迁移学习就是，利用原来的先验知识，接着后续的学习，举个例子：小琼本人三年级小学生，昨天学会了使用图像的读取方式（img=cv2.imread(path)）,然而今天我编程实现某个功能，需要用到读取图像这个函数，正好昨天学过，所以几天就不需要重新学习这个函数，只需要拿过来使用即可。这就是迁移学习（小琼这样子理解，不知道对不对，希望大家批评，指正）。

2》代码实现：

        如何实现呢？在小琼认知里面，说白了，就是重新加载一些以前训练好的网络权重文件，然后将网络的参数送入网络中，基于上一次的网络参数重新开始训练。

代码实现：

model = self.modell.train()

model_weight_path = "./save/11.pth"
pre_weights = torch.load(model_weight_path)
pre_dict = {k: v for k, v in pre_weights.items() if "classifier" not in k}
missing_keys, unexpected_keys = model.load_state_dict(pre_dict, strict=False)
print('train')

解释：需要解释吗？

#

3》结束

GAME OVER

如果理解错误，欢迎大家批评，及时纠正小琼的错误哦，真心感谢你的纠正！！！

如果小伙伴梦有疑问欢迎在评论区留言哦！！！

如果感觉不错的话！点个赞呗，不用客气！（O(∩_∩)O哈哈~）

欢迎和小伙伴梦一起学习，共同努力，加油！！！

 小琼独家所有，请勿侵权，否则法律追究

0----1块，买包辣条

1-5块，买个面包

5-10块，还没花过这么大面值的钞票，不知道怎么花，请备注！！！