PyTorch学习笔记（13）--现有网络模型的使用及修改

最新推荐文章于 2023-08-09 17:08:33 发布
最新推荐文章于 2023-08-09 17:08:33 发布
阅读量4.5k 收藏 31
点赞数 8
分类专栏： PyTorch学习笔记 文章标签： python 神经网络 pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-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/weixin_43981621/article/details/119786431
版权

PyTorch学习笔记（13）–现有网络模型的使用及修改

    本博文是PyTorch的学习笔记，第13次内容记录，主要介绍如何使用现有的神经网络模型，如何修改现有的网络模型。

目录

1.现有网络模型

    在现有的torchvision中提供了许多常见的神经网络模型，这些模型主要包括：分类、语义分割、目标检测、视频分类等类型，其中分类主要针对图像分类，包括AlexNet、VGG、ResNet、GoogLeNet等网络。具体情况可以参照PyTorch官网。详情如下截图所示：
在这里插入图片描述

2.现有模型的使用

2.1VGG16模型的结构

    现以ImageNet数据集为例，神经网络选取VGG16，具体细节请参照PyTorch官网，VGG16的模型参数如下所示：
在这里插入图片描述
    VGG16的函数定义结构为：torchvision.models.vgg16_bn(pretrained: bool = False, progress: bool = True, **kwargs: Any) → torchvision.models.vgg.VGG。其中pretrained参数表示是否使用已预训练的模型参数。通过代码调用现有VGG16模型如下：

import torchvision

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

该代码运行结果为输出vgg16模型的基本结构，但是一开始需要下载vgg16的模型文件，大小为528M，下载时间较长，代码运行效果如下所示：

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)
  )
)

    从上述运行结果可知：VGG16网络是由13层卷积层和3层全连接层组成，最后网络输出一共有1000个分类结果。

2.2修改现有VGG16模型的结构

    在VGG16模型后增加一个线性层，实现将VGG16的1000个类别输出为CIFAR10的10个类别，代码如下：

# coding ：UTF-8
# 文件功能： 代码实现预训练模型的功能
# 开发人员： dpp
# 开发时间： 2021/8/18 6:45 下午
# 文件名称： model_pretrained.py
# 开发工具： PyCharm
import torchvision

# train_data = torchvision.datasets.ImageNet("ImageNet", 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)

# 如何利用现有VGG16结构实现CIFAR10的10个类别的输出 在原有VGG16结构后面增加一层线性层
train_data = torchvision.datasets.CIFAR10("CIFAR10", train=True, transform=torchvision.transforms.ToTensor(),
download=True)

vgg16_true.add_module("add_linear", nn.Linear(1000, 10))   # in_features = 1000 out_features = 10
print(vgg16_true)

    上述代码输出结果为如下，从输出结果能看出与原VGG16网络相比，最后增加了一层线性层Linear。

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)
  )
  (add_linear): Linear(in_features=1000, out_features=10, bias=True) #增加的线性层 Linear
)

    如果想将最后的线性层加在classifier中，则将代码修改如下：

# coding ：UTF-8
# 文件功能： 代码实现预训练模型的功能
# 开发人员： dpp
# 开发时间： 2021/8/18 6:45 下午
# 文件名称： model_pretrained.py
# 开发工具： PyCharm
import torchvision

# train_data = torchvision.datasets.ImageNet("ImageNet", 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)

# 如何利用现有VGG16结构实现CIFAR10的10个类别的输出 在原有VGG16结构后面增加一层线性层
train_data = torchvision.datasets.CIFAR10("CIFAR10", train=True,
                                          transform=torchvision.transforms.ToTensor(),
                                          download=True)

vgg16_true.classifier.add_module("add_linear", nn.Linear(1000, 10))   # in_features = 1000 out_features = 10
print(vgg16_true)

    将线性层Linear加在classifier中，输出结果为：

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)
    (add_linear): Linear(in_features=1000, out_features=10, bias=True)
  )
)

3.学习小结

    在本文重点讲解了现有神经网络模型的使用和修改方法，在已有模型的基础上搭建自己的模型，是十分方便的。在一下一篇博文，将介绍如何保存和读取网络模型。

我这一次
关注
  • 8
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
预加载模型Pytorch
走在深度学习前沿的小宋
03-30 736
预加载模型的Pytorch实现
pytorch 学习---vgg16_bn结构浅析
小膜仙的博客
05-05 580
import torchvision.models as models vgg16featuremap = models.vgg16_bn(pretrained=True).features print(vgg16featuremap) print('*'*50) model = models.vgg16_bn(pretrained=True) print(model) 结果： /home/w...
pytorch处理图片的机器学习
qq_24951479的博客
04-24 622
通过本次机器学习项目，我们使用PyTorch训练了一个模型，能够根据本地提供的图片库判断输入的图片是否为库里所有的人物。上述代码中，我们使用了PyTorch中的models模块加载了一个预训练的ResNet18模型，并将其最后一层的输出改为2，以适应我们的二分类任务。在训练过程中，我们使用了交叉验证的方法，同时记录了最佳的模型权重和准确率。上述代码中，我们使用了PIL库下载了一张图片，并使用了之前定义的数据增强操作对其进行预处理。然后，我们使用训练好的模型对其进行预测，并输出预测结果。文件夹存放模型文件，
【神经网络】VGG16、VGG16_bn、VGG19_bn详解以及使用pytorch进行模型预训练
热门推荐
lyl771857509的博客
11-17 3万+
目录 一、论文 二、模型介绍 三、模型预训练 一、论文 先来看看VGG这篇论文《Very Deep Convolutional Networks for Large-Scale Image Recognition》论文下载地址 论文中几个模型主要以几下几种方案A、B、C、D、E。目前主要还是采用VGG16和VGG19也就是下图中的分别红框和绿框部分。    二、模型介绍 其实通过...
深入理解VGG16模型与代码实现
u012661539的博客
06-21 9349
VGG16基本架构与了解
修改训练好的神经网络模型中的参数内容
qq_42178122的博客
07-11 1335
在迁移学习中，将训练好的模型用在其他地方上，当需要对模型的参数进行修改，可按照如下代码进行操作： path = "/media/FASTSCNN/lanenet_epoch_227_batch_8.model" #训练好的模型 state_dict2 = {"module."+k: v for k, v in torch.load(path).items()} #此处是在原本模型的参数名的基础上，多加"module."的字符串。即如果原参数名为“conv1”，修改后的参数名为”module.conv1
pytorch-CycleGAN-and-pix2pix-master
04-25
PyTorch作为一个灵活且易用的深度学习框架，为这类模型的开发提供了便利，它的动态计算图特性使得模型的调试和优化更为直观。 总的来说，PyTorch-CycleGAN-and-pix2pix-master不仅是一个强大的工具，也是一个深入...
基于PyTorch与PyTorch-Lightning进行人工神经网络模型与CNN模型的构建.zip
07-09
资源包含文件：实验报告word+源码及数据 需要实现的模型：1. 基于 Backward Propagation 算法的人工神经网络；2. 卷积神经网络。 在 MNIST 手写字符识别数据集（http://yann.lecun.com/exdb/mnist/）上对实现的两个...
pytorch-grad-cam-master.zip
05-29
总的来说，Grad-CAM是深度学习模型解释性的重要工具，而PyTorch的灵活性使其成为实现这一工具的理想选择。通过掌握Grad-CAM的原理和PyTorch实现，我们可以更好地理解模型内部的工作机制，提升模型的可靠性和应用价值...
利用pytorch实现对CIFAR-10数据集的分类
09-18
今天小编就为大家分享一篇利用pytorch实现对CIFAR-10数据集的分类，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-使用Pytorch实现的faster-rcnn目标检测算法.zip
最新发布
03-02
Faster R-CNN的核心创新在于引入了区域提议网络（Region Proposal Network，RPN），它与传统的候选区域生成方法（如Selective Search）相比，能够更好地与深度学习模型集成。RPN通过共享全卷积网络的特征图来预测...
如何修改别人的神经网络,人工神经网络通过调整
shirley67269的博客
09-02 879
神经网络可以指向两种，一个是生物神经网络，一个是人工神经网络。生物神经网络：一般指生物的大脑神经元，细胞，触点等组成的网络，用于产生生物的意识，帮助生物进行思考和行动。人工神经网络（ArtificialNeuralNetworks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（ConnectionModel），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
Pytorch实现迁移学习
qq_40922271的博客
10-28 3036
迁移学习 迁移学习是一种机器学习的方法，指的是一个预训练的模型被重新用在另一个任务中，它专注于存储已有问题的解决模型，并将其利用在其他不同但相关问题上。例如我在A的场景下训练了一个模型，而B、C、D等场景与A类似，那么我们就可以把A的模型使用在这些类似场景上，A中的工作相当于做了预训练了。很多情况下迁移学习能够简化或降低模型构建的难度，节省训练时间、硬件消耗等，甚至还能取得不错的准确度。 Pytorch VGG16迁移学习实战 torchvision 包含流行的数据集、模型架构和用于计算机视觉的常见图像转换
VGG16实现（Pytorch,Keras,TensorFlow）
u010057965的专栏
10-17 1470
预测图片 一、Pytorch实现VGG16模型 import numpy as np import torch import torch.nn as nn import cv2 from torchvision.models import vgg16 from torchvision i...
【程序】vgg_yolo.py：使用vgg16_bn来搭建网络，并进行正向传播测试
nyist_yangguang的博客
07-23 598
注： Process finished with exit code 137 (interrupted by signal 9: SIGKILL) 这个错误是爆内存引发的。 # -*- coding: utf-8 -*- """ @Time : 2020/08/12 18:30 @Author : Bryce @File : vgg_yolo.py @Noice : @Modificattion : @Author ...
VGG16模型详解
m0_62919535的博客
08-09 4121
VGG16作为深度学习发展历程中的重要里程碑，强调了通过增加网络深度和一致性设计来提取图像特征。它的成功启发了后续更复杂的网络架构和方法，并在图像分类等任务中取得了重要成就。通过研究和实践，我们可以更好地理解VGG16的原理，并将其应用于实际问题中。VGG16是一种深度卷积神经网络，由牛津大学的研究团队于2014年开发。
2021-06-28
qq_43472613的博客
06-27 783
一、环境配置过程 ​ Ubuntu18.04 + GeForce GTX 1050 + Anaconda + Pycharm + CUDA10.0 + cudnn 7.6.5。选择在Ubuntu下是因为在这里配置环境真的比Windows方便太多。 1.1安装Anaconda ​ Anaconda能很好很方便的配置环境，比如说便捷获取包，并且把配置的不同环境按需要隔离开来，更利于管理，可以说是配置深度学习环境必备武器。 1.在清华大学开源软件镜像站下载 Anaconda3-5.2.0-Linux-x86_
现有网络模型的使用和修改
深浅卡布星的博客
10-19 1816
pytorch
VGG16网络模型原理与实现
m0_59161923的博客
06-20 3070
填充（ Padding ）：由于卷积核的大小是固定的，在进行卷积计算的时候，随着卷积核的滑动，很容易出现卷积核超出图像像素范围的情况。卷积操作后，输出的通道数=卷积核的个数，卷积核的个数和卷积核的通道数是不同的概念，一般来说。如果太抽象的话再举一个多通道列子：例如在下图中输入图像尺寸为6×6×3 ，通道数为3，卷积核有两个，每个尺寸为3×3×3，通道数为3（与输入图像通道数一致），卷积时，仍是以滑动窗口的形式，从左至右，从上至下，3个通道的对应位置相乘求和，输出结果为 4×4×2 的特征图。
pytorch学习方法1-00字
06-06
PyTorch 是一个基于 Python 的科学计算库，它可以作为 NumPy 的替代品，同时可以利用 GPU 的性能进行加速运算。要学习 PyTorch，首先需要有 Python 编程语言基础知识。然后可以通过阅读 PyTorch 官方文档和教程，了解 PyTorch 的基础知识，如 Tensor、Autograd、Module 等。接着可以通过实践项目，如图像分类、自然语言处理等来巩固所学知识。最后，需要持续学习和关注 PyTorch 的更新和发展，不断提升自己的技能和水平。总之，PyTorch 的学习需要掌握 Python 基础、PyTorch 基础、实践项目等方面，需要不断学习和实践才能真正掌握。
评论 1
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