pytorch在fintune时将sequential中的层输出，以vgg为例

最新推荐文章于 2024-08-24 06:30:00 发布

BinWang-cvlab

最新推荐文章于 2024-08-24 06:30:00 发布

阅读量5.2k

点赞数 4

分类专栏： pytorch 文章标签： pytorch

本文链接：https://blog.csdn.net/wangbin12122224/article/details/79949965

版权

本文介绍了如何在PyTorch中对预训练的VGG模型进行finetune，并从Sequential模型中提取特定层的输出。通过创建一个新的网络结构，将需要的层置于Sequential外部，然后复制权重，实现了在不影响finetuning的同时获取所需层的输出。

摘要由CSDN通过智能技术生成

pytorch将sequential中的层输出，以vgg为例

有时候我们在fintune时发现pytorch把许多层都集合在一个sequential里，但是我们希望能把中间层的结果引出来做下一步操作，于是我自己琢磨了一个方法，以vgg为例，有点僵硬哈！

首先pytorch自带的vgg16模型的网络结构如下：

VGG(
  (features): Sequential(
    (0): Conv2d (3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace)
    (2): Conv2d (64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace)
    (4): MaxPool2d(kernel_size=(2, 2), stride=(2, 2), dilation=(1, 1))
    (5): Conv2d (64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace)
    (7): Conv2d (128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace)
    (9): MaxPool2d(kernel_size=(2, 2), stride=(2, 2), dilation=(1, 1))
    (10): Conv2d (128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace)
    (12): Conv