【PyTorch教程】P25 pytorch中现有模型

nemo_0410

已于 2022-04-11 20:07:05 修改

阅读量1.8k

点赞数 2

分类专栏： Python/Pycharm 深度学习/PyTorch 图像处理文章标签：计算机视觉图像处理深度学习 pytorch

于 2022-03-09 08:01:03 首次发布

本文链接：https://blog.csdn.net/weixin_42306148/article/details/123364730

版权

Python/Pycharm 同时被 3 个专栏收录

92 篇文章 63 订阅

订阅专栏

深度学习/PyTorch

71 篇文章 29 订阅

订阅专栏

图像处理

56 篇文章 4 订阅

订阅专栏

P25 pytorch中现有模型

位置：
预训练的意思pretrain，是已经在ImageNet数据集上训练好的：progress是对下载的管理：
使用的dataset，ImageNet：需要安装scipy库：

在这里插入图片描述

点开这个ImageNet看里面的信息：
里面的重要信息：
转而使用已经训练好的model：
上图：false意思是不下载已经在ImageNet里面训练好的模型，即conv、pooling layers里面的那些参数，而true就要下载他们。
对比二者的参数：

在这里插入图片描述

使用vgg16，用在CIFAR数据集上，进行分类：
Vgg16训练时，用的是ImageNet数据集，它把数据分为1000个类，而CIFAR把数据分为10类，那么就有两种做法，来利用vgg16来处理 CIFAR数据集：1、vgg16后面加一个新的线性层，使1000映射到10；2、直接把vgg16最后的输出层改为10类：这里的add_module是集成 - 在pytorch当中的方法了，直接用：
下图是第一种方法：
还有下面这种写法，可以把新添加的层，放在classifier的框架底子，变成classifier的子集，原来是在大的框架vgg的直属下面：
下面是第二个方法：替换原来的输出类型数：图中圈2：

可以运行的代码

# -*- coding: utf-8 -*-

import torchvision

train_data = torchvision.datasets.ImageNet("../data_image_net", split='train', download=True,
                                           transform=torchvision.transforms.ToTensor())

from torch import nn

vgg16_false = torchvision.models.vgg16(pretrained=False)
vgg16_true = torchvision.models.vgg16(pretrained=True)

# print(vgg16_true)

'''
print的结果：

VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (25): ReLU(inplace=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True)
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)    # 由于 imagenet 数据集，他的分类结果是 1000，所以这里out_features 值为1000
  )                                                                # 要想用于 CIFAR10 数据集， 可以在网络下面多加一行，转成10分类的输出         
)
'''

train_data = torchvision.datasets.CIFAR10('../dataset', train=True, transform=torchvision.transforms.ToTensor(),
                                          download=True)

# vgg16_true.add_module('add_linear',nn.Linear(1000, 10))
# 要想用于 CIFAR10 数据集， 可以在网络下面多加一行，转成10分类的输出，这样输出的结果，跟下面的不一样，位置不一样

vgg16_true.classifier.add_module('add_linear', nn.Linear(1000, 10))
# 层级不同
# 如何利用现有的网络，改变结构
print(vgg16_true)

# 上面是添加层，下面是如何修改VGG里面的层内容
print(vgg16_false)
vgg16_false.classifier[6] = nn.Linear(4096, 10)  # 中括号里的内容，是网络输出结果自带的索引，套进这种格式，就可以直接修改那一层的内容
print(vgg16_false)


'''
这个教程，可以自己修改别人已经写好了的模型，或者在里面添加自己的需求
'''

完整目录

nemo_0410

关注

2
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
【PyTorch教程】P25 pytorch中现有模型

P25 pytorch中现有模型位置：预训练的意思pretrain，是已经在ImageNet数据集上训练好的：progress是对下载的管理：使用的dataset，ImageNet：需要安装scipy库：点开这个ImageNet看里面的信息：里面的重要信息：转而使用已经训练好的model：上图：false意思是不下载已经在ImageNet里面训练好的模型，即conv、pooling layers里面的那些参数，而true就要下载他们。对比二者的参数
复制链接

扫一扫