ubuntu使用pytorch训练出现killed_目标检测之pytorch预训练模型的使用（削减削减网络层，修改参数）fine-tune技巧...

利用深度学习的方法进行图像分类及目标检测时，由于自己数据集可能相对较小，直接利用自己的数据集进行网络的训练，非常容易过拟合。在迁移学习中，我们首先在一个基础数据集和基础任务上训练一个基础网络，然后我们再微调一下学到的特征，或者说将它们迁移到第二个目标网络中，用目标数据集和目标任务训练网络。

对于计算机视觉领域的图像特征提取的基础卷积网络backbone往往采用在ImageNet数据集上训练得到的预训练模型，在torchvision中存储了基础常用的基础网络的网络结构及预训练参数，例如VGG，inception，resnet，densenet，shufflenet，squeezenet等，可以直接调用，但是在目标检测中，我们往往仅仅使用这些网络的一些底部的层，上边的一些卷积层需要根据自己依据实际问题设计；或者在图像分类中，结果输出的类别往往不会正好与给定的相同，因而都需要对原始网络及参数进行修改

torchvision的预训练模型地址​github.com

1、pytorch中的预训练模型

在上边的连接地址中有各个基础网络模型的程序源码，还有预训练模型参数文件的下载地址，使用时主要采用下边代码块中的文件直接引用

import torchvision.models as models

#resnet
model = models.resnet50(pretrained=True)
 
#vgg
model = models.vgg16(pretrained=True)

2、预训练模型的修改

在实际的应用中，往往不能直接应用导出的网络模型，