【神经网络】06 - PyTorch自带的网络模型

SmallBambooCode

于 2024-04-29 13:05:29 发布

阅读量723

点赞数 20

分类专栏：小土堆PyTorch 文章标签：神经网络 pytorch 人工智能

本文链接：https://blog.csdn.net/qq_35516428/article/details/138309416

版权

小土堆PyTorch 专栏收录该内容

16 篇文章 2 订阅

订阅专栏

本文介绍了如何在PyTorch中使用VGG模型，包括加载预训练权重、自定义网络结构以及修改全连接层，以适应特定任务的需要。

摘要由CSDN通过智能技术生成

06 - PyTorch自带的网络模型

神经网络模型

https://pytorch.org/vision/stable/models.html

VGG模型示例

https://pytorch.org/vision/stable/models/vgg.html

import torchvision

# 这个数据集不能公开访问了
# train_data = torchvision.datasets.ImageNet(root="./dataset/data_image_net", split="train", download=True,
#                                            transform=torchvision.transforms.ToTensor())

# torchvision 0.13 的版本后，"pretrained" 参数已被废弃，使用weights
# 不使用预训练权重
vgg16_false = torchvision.models.vgg16(weights=None)
# 默认地，关于 ImageNet 1K 的预训练权重将会载入，
vgg16_true = torchvision.models.vgg16(weights="DEFAULT")
print("ok")

print(vgg16_true)

许多框架会把VGG16当作前置框架，使用VGG16提取特征，在VGG16后面加一些网络结构实现功能。

vgg16_true.add_module("add_Linear", nn.Linear(in_features=1000, out_features=10))
vgg16_true.classifier.add_module("add_Linear", nn.Linear(in_features=1000, out_features=10))
print(vgg16_true)

vgg16_false.classifier[6] = nn.Linear(in_features=4096, out_features=10)
print(vgg16_false)

import torchvision
from torch import nn

# 尽管我们不能公开访问ImageNet数据集，但可以预设代码用于下载和转换ImageNet数据集，
# 其中包括将图片数据转化为tensor类型。
# train_data = torchvision.datasets.ImageNet(root="./dataset/data_image_net", split="train", 
#                                            download=True, transform=torchvision.transforms.ToTensor())

# 从 torchvision 0.13版本开始，"pretrained" 参数已被废弃。现在我们使用"weights"参数来载入预训练模型。
# 如果weights设为None，表示我们不使用预训练权重来初始化VGG16模型。
vgg16_false = torchvision.models.vgg16(weights=None)

# 如果weights设为"DEFAULT"，则会自动载入在ImageNet 1K数据集上的预训练权重来初始化VGG16模型。
vgg16_true = torchvision.models.vgg16(weights="DEFAULT")

# 为预训练模型在最后添加一个新的线性层，输入特征大小为1000，输出特征大小为10。
# 这样做可以允许我们利用预训练模型的特征学习能力，并适配我们特殊任务的类别数。
vgg16_true.add_module("add_Linear", nn.Linear(in_features=1000, out_features=10))

# 也可添加到预训练模型内部的分类器部分
vgg16_true.classifier.add_module("add_Linear", nn.Linear(in_features=1000, out_features=10))

# 输出没有使用预训练权重的VGG16模型结构
print(vgg16_false)

# 修改没有使用预训练权重的VGG16模型最后的全连接层，
# 分类器的第6层（下标从0开始）是一个全连接层，将其输出特征大小由默认的1000改为10。
vgg16_false.classifier[6] = nn.Linear(in_features=4096, out_features=10)

# 输出修改后的VGG16模型结构
print(vgg16_false)