?以分類模型的VGG為例

?

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

• 設(shè)置為 False 的情況，相當(dāng)于網(wǎng)絡(luò)模型中的參數(shù)都是初始化的、默認(rèn)的
• 設(shè)置為 True 時(shí)，網(wǎng)絡(luò)模型中的參數(shù)在數(shù)據(jù)集上是訓(xùn)練好的，能達(dá)到比較好的效果

print(vgg16_true)

VGG(
  (features): Sequential(
# 輸入圖片先經(jīng)過(guò)卷積，輸入是3通道的、輸出是64通道的，卷積核大小是3×3的
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
# 非線性
    (1): ReLU(inplace=True)
# 卷積、非線性、池化...
    (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)
# 最后線性層輸出為1000（vgg16也是一個(gè)分類模型，能分出1000個(gè)類別）
    (6): Linear(in_features=4096, out_features=1000, bias=True)
  )
)

CIFAR10 把數(shù)據(jù)分成了10類，而 vgg16 模型把數(shù)據(jù)分成了 1000 類，如何應(yīng)用這個(gè)網(wǎng)絡(luò)模型呢？

• 方法1：把最后線性層的 out_features 從1000改為10
• 方法2：在最后的線性層下面再加一層，in_features為1000，out_features為10

利用現(xiàn)有網(wǎng)絡(luò)去改動(dòng)它的結(jié)構(gòu)，避免寫(xiě) vgg16。很多框架會(huì)把 vgg16 當(dāng)做前置的網(wǎng)絡(luò)結(jié)構(gòu)，提取一些特殊的特征，再在后面加一些網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)功能。

方法2：添加

vgg16_true.classifier.add_module("add_linear",nn.Linear(1000,10))
print(vgg16_true)

?方法1：修改

vgg16_false.classifier[6] = nn.Linear(4096,10)
print(vgg16_false)

文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-662952.html

到了這里，關(guān)于PyTorch學(xué)習(xí)筆記（十三）——現(xiàn)有網(wǎng)絡(luò)模型的使用及修改的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！