迁移学习
好处:
能快速训练出一个理想的效果。
当训练的数据集比较小时也能训练出理想的效果。
方式:
- 载入权重后训练所有参数
- 载入权重后只训练最后几层参数
- 载入权重后在原有网络基础上再添加一层全连接层,仅训练最后一个全连接层。
net = resnet34()#这里不把num_classes写5
net.to(device)
model_weight_path = "./resnet34-pre.pth"
net.load_state_dict(torch.load(model_weight_path))
inchannel = net.fc.in_features
net.fc = nn.Linear(inchannel,5)
直接将最后一层全连接层的输出修改???
resnet
import torchvision.models.resnet
再点resnet就能进入官方实现的的resnet.py
感觉和那个stablenet里的resnet文件差不多。
torch.save()
resnet34 = torchvision.models.resnet.resnet34(pretrained=True)
1保存模型结构+模型参数:
torch.save(resnet34, './resnet34.pth')
#加载
model = torch.load('resnet34.pth')
print(model)
>>打印的是模型结构
2只保存模型参数:(较小,官方推荐)
torch.save(resnet34.state_dict(), './resnet34-pre.pth')
#加载
resnet34 = torchvision.models.resnet.resnet34(pretrained=True)
resnet34.load_state_dict(torch.load('resnet34-pre.pth')
#torch.load('resnet34-pre.pth')如果print的话是一个含有模型参数的字典
torch.load()
torch.load(model_weight_path, map_location=‘cpu’)
map_location参数的意思是如果你在gpu上训练保存的模型,而在cpu上加载,就得用到这个。
model = torch.load('resnet34.pth')
载入模型权重
net = resnet34()
model_weight_path = "./resnet34-pre.pth"
net.load_state_dict(torch.load(model_weight_path, map_location='cpu'))