深度学习：迁移学习-案例写法总结

最新推荐文章于 2024-09-16 23:14:12 发布

盏云

最新推荐文章于 2024-09-16 23:14:12 发布

阅读量712

点赞数

分类专栏：案例代码总结 pytorch深度学习文章标签：深度学习 python pytorch

本文链接：https://blog.csdn.net/zhe470719/article/details/120625439

版权

本文详细解析了通过迁移学习进行猫狗分类的两种方法：参数微调与特征提取。参数微调通过调整预训练模型的全连接层，而特征提取则冻结大部分网络训练新层。实验结果显示，特征提取法在小数据集上表现更优，速度快且准确率高。

摘要由CSDN通过智能技术生成

案例一:猫狗分类

参考：猫狗分类迁移学习案例详解
代码位置：E:\项目例程\猫狗分类\迁移学习\猫狗_resnet18_2 \猫狗分类_迁移学习可视化

参数微调

该方法使用预训练的参数来初始化我们的网络模型，修改全连接层后再训练所有层。

# 加载预训练模型
model_ft = models.resnet18(pretrained=True)

# 获取resnet18的全连接层的输入特征数
num_ftrs = model_ft.fc.in_features

# 调整全连接层的输出特征数为2
model_ft.fc = nn.Linear(num_ftrs, len(class_names))

# 将模型放到GPU/CPU
model_ft = model_ft.to(device