【迁移学习】torchvision轻松支持图像分类模型迁移学习

torchvision分类介绍

Torchvision高版本支持各种SOTA的图像分类模型，同时还支持不同数据集分类模型的预训练模型的切换。使用起来十分方便快捷，Pytroch中支持两种迁移学习方式，分别是：

• Finetune模式：基于预训练模型，全链路调优参数
• 冻结特征层模式：这种方式只修改输出层的参数，CNN部分的参数冻结

上述两种迁移方式，分别适合大量数据跟少量数据，前一种方式计算跟训练时间会比第二种方式要长点，但是针对大量自定义分类数据效果会比较好。

torchvision-FT实战

from torchvision import models
from torch import nn
from torch import optim

resnet_model = models.resnet18(pretrained=True) 
# pretrained 设置为 True，会自动下载模型 所对应权重，并加载到模型中
# 也可以自己下载 权重，然后 load 到 模型中，源码中有 权重的地址。

# 假设 我们的 分类任务只需要 分 100 类，那么我们应该做的是
# 1. 查看 resnet 的源码
# 2. 看最后一层的 名字是啥 （在 resnet 里是 self.fc = nn.Linear(512 * block.expansion, num_classes)）
# 3. 在外面替换掉这个层
resnet_model.fc= nn.Linear(in_features=..., out_features=100)

# 这样就 哦了，修改后的模型除了输出层的参数是 随机初始化的，其他层都是用预训练的参数初始化的。

# 如果只想训练 最后一层的话，应该做的是：
# 1. 将其它层的参数 requires_grad 设置为 False
# 2. 构建一个 optimizer， optimizer 管理的参数只有最后一层的参数
# 3. 然后 backward， step 就可以了

# 这一步可以节省大量的时间，因为多数的参数不需要计算梯度
for para in list(resnet_model.parameters())[:-1]:
    para.requires_grad=False
'''
for param in model.parameters():
             param.requires_grad = False
'''

optimizer = optim.SGD(params=[resnet_model.fc.weight, resnet_model.fc.bias], lr=1e-3)

…