Pytorch使用笔记2——调用和修改预训练模型

最新推荐文章于 2022-11-13 14:13:58 发布
最新推荐文章于 2022-11-13 14:13:58 发布
阅读量709 收藏 2
点赞数 2
分类专栏： pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-NC-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36450004/article/details/106013487
版权

本次实验调用了resnet50模型，由于模型原本输入为3通道，但我只需要1个通道，所以需要修改输入的通道数。另外还需要将输出总的类型数改为自己所定义的OUT_CLASS数目，所以模型调用和修改如下：

import torchvision
model = torchvision.models.resnet50(pretrained=True)
# 修改第一个卷积层的输入通道数
model.conv1 = nn.Conv2d(1, 64, kernel_size=
最低0.47元/天 解锁文章
What??!
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【pytorch】预训练模型的使用
一起来学深度学习鸭的博客
10-28 1033
pytorch自带有一些高级的复杂模型，我们可以通过调用，例如就调用了densenet169的预训练模型。见获取详细信息。
pytorch 更改预训练模型网络结构的方法
09-18
今天小编就为大家分享一篇pytorch 更改预训练模型网络结构的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pytorch修改预训练模型（输入通道数）
热门推荐
weixin_43162240的博客
05-13 3万+
Pytorch修改预训练模型   torchvision模块带有很多预训练模型，具体支持的模型列表可以参看官方文档。   在语义分割中，预训练模型一般是3通道的，但是在实际情况中经常会有输入通道数量不止3个通道，要修改预训练模型的通道数,要么重写模型，要么就复用预训练模型，这里推荐用官方的预训练模型，代码简洁且不容易出错。   步入正题，要调整预训练模型需要两个步骤，首先如下加载预训练模型，并打印模型第一层，然后修改第一层结构的输入通道数即可。 import torchvision.models as mo
PyTorch 将 pretrained 模型从 3 通道改成 4（或更多）通道
qq_39546227的博客
12-29 3972
针对不同的计算机视觉任务，当我们想使用预训练模型时，可能会存在模型输入通道不一致的情况，比如预训练模型的输入通常为 RGB 3 通道，而我们自己的任务通道数可能大于 3，这时就需要对预训练模型的结构进行更改，下方代码展示的则是其中一种更改方式： import torchvision.models as models import torch.nn as nn backbone = models.resnet18(pretrained=True) old_conv1 = backbone.conv1 new_
pytorch中torchvision读取预训练模型
CSDN 精品推荐
11-13 1714
对于这些模型都是已经训练好的，我们可以使用他们进行迁移学习，在此基础上根据需求对网络的结构进行修改，对于图像分类任务通常是修改最后的输出层，只需要把输出层的维数修改为我们目标任务即可。在pytorch的torchvision中提供了许多深度学习领域各种经典的网络结构以及预训练模型，这些模型接口都被封装在torchvision.models中。语义分割任务：DeepLabV3、FCN、LRASPP等以及目标检测任务：Faster R-CNN、FCOS、RetinaNet、SSD、SSDlite等。
PyTorch加载预训练模型实例(pretrained)
09-18
PyTorch 是一个广泛使用的深度学习框架，提供了丰富的预训练模型库，允许用户方便地加载和使用这些模型。本文将详细讲解如何在 PyTorch 中加载预训练模型。 首先，预训练模型通常在大型数据集（如 ImageNet）上训练...
Pytorch加载部分预训练模型的参数实例
09-18
在深度学习领域，预训练模型通常是在大规模数据集上训练得到的，它们具有较好的权重初始化，可以加速...这使得研究人员和开发者能够快速地实验不同的模型架构，而无需从零开始训练模型，从而提高了研究效率和模型性能。
NeRF-pytorch预训练模型
11-07
2. **PyTorch框架**：NeRF-pytorch是使用PyTorch实现的，PyTorch是一个流行的深度学习框架，以其灵活性和易用性著称，便于研究者快速实验和开发新的模型。 3. **预训练模型的应用**：预训练的NeRF模型可以用于快速...
使用pytorch搭建AlexNet操作(微调预训练模型及手动搭建)
12-23
在PyTorch中实现AlexNet有两种主要的方法：直接加载预训练模型进行微调和手动搭建。 1. **微调预训练模型**： - PyTorch的`torchvision.models`库提供了预训练的AlexNet模型。通过`models.alexnet(pretrained=True...
pytorch调用预训练模型
init_bin的博客
08-20 5467
１．pytorch提供以下模型 AlexNet: AlexNet variant from the “One weird trick” paper. VGG: VGG-11, VGG-13, VGG-16, VGG-19 (with and without batch normalization) ResNet: ResNet-18, ResNet-34, ResNet-50, ResNet...
pytorch 实现在预训练模型的 input上增减通道
12-23
如何把imagenet预训练的模型，输入层的通道数随心所欲的修改，从而来适应自己的任务 #增加一个通道 w = layers[0].weight layers[0] = nn.Conv2d(4, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False) layers[0].weight = torch.nn.Parameter(torch.cat((w, w[:, :1, :, :]), dim=1)) #方式2 w = layers[0].weight layers[0] = nn.Conv2d(4, 64, ke
Pytorch如何修改ResNet等网络的输入通道数量in_channels的个数
村雨的博客
11-29 9499
在语义分割中，预训练模型一般是3通道的，但是有时候我们需要改变输入通道数，方法如下： 首先加载预训练模型，打印模型第一层 import torchvision.models as models backbone = models.resnet101(pretrained=False) print(backbone.conv1) 打印得到第一层的结构 Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=Fal
pytorch中class使用及函数介绍
weixin_41917285的博客
01-19 3121
class my_model(torch.nn.module): def __init__(self,a,b,c,...): super (my_model,self)__init__(): self.my_model_a = a self.b = b self.c = c ... def forward(self, input_1, imput_2): input_x1 = imput_1 input_x2 = input_2 output = input_x1 +
Pytorch修改预训练模型的方法汇总
weixin_42118374的博客
12-30 1万+
本文包括如何修改预训练模型的示例。常见的有四种不同程度的修改： 1、只修改输入输出的类别数，即某些网络层的参数（常见的是修改通道数） 2、替换整个backbone或预训练模型的某一部分 3、修改网络中间层的结构（最重要，一般是重写部分中间层再整体替换） 4、快速去除预训练模型本身的网络层并添加新的层 正文如下 1.只修改输入输出的类别数，即某些网络层的参数（常见的是修改通道数） ...
pytorch 更改预训练模型网络结构
wayne980的博客
11-13 7816
一个继承nn.module的model它包含一个叫做children()的函数，这个函数可以用来提取出model每一层的网络结构，在此基础上进行修改即可，修改方法如下(去除后两层)： resnet_layer = nn.Sequential(*list(model.children())[:-2]) 那么，接下来就可以构建我们的网络了： class Net(nn.Module):     def...
pytorch 如何加载预训练权重并更改网络某一层的卷积核
qq_44863944的博客
07-13 2732
我们提取resnet的网络作为基础网络，同时加载预训练权重。 class Backbone(nn.Module): def __init__(self, pretrain_path=None): super(Backbone, self).__init__() net = resnet50() self.out_channels = [1024, 512, 512, 256, 256, 256] #加载预训练权重 if pre
pytorch 修改预训练模型（全连接层、单个卷积层、多个卷积层）
Nick Blog
05-19 7420
1. 修改全连接层类别数 model = torchvision.models.resnet50(pretrained=True) # 重定义最后一层 model.fc = nn.Linear(2048,10) print(model.fc) 2. 修改某一层卷积 model = torchvision.models.resnet50(pretrained=True) # 重定义第一层卷积的输入通道数 model.conv1 = nn.Conv2d(4, 64, kernel_size=7, stride
pytorch预训练
zxmyoung的博客
09-02 827
参考： https://www.cnblogs.com/wmlj/p/9917827.html Pytorch预训练模型以及修改 pytorch中自带几种常用的深度学习网络预训练模型，torchvision.models包中包含alexnet、densenet、inception、resnet、squeezenet、vgg等常用网络结构，并且提供了预训练模型，可通过调用来读取网络结构和预训练模型（模型参数）。往往为了加快学习进度，训练的初期直接加载pretrain模型中预先训练好的参数。加载model
如何保存与调用 pytorch 训练好的网络模型
qq_41289353的博客
08-29 3246
如何保存与调用 pytorch 训练好的网络模型
pytorch使用预训练模型
最新发布
05-09
使用预训练模型可以大大减少模型的训练时间和计算资源，并且提高模型的性能。 在PyTorch中，可以通过torchvision库来使用预训练模型。torchvision提供了一些经典的深度学习模型，如AlexNet、VGG、ResNet、Inception...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值