本篇文章给大家分享的是有关怎么在python中利用PyTorch实现预训练,小编觉得挺实用的,因此分享给大家学习,希望大家阅读完这篇文章后可以有所收获,话不多说,跟着小编一起来看看吧。
<强>直接加载预训练模型强>
如果我们使用的模型和原模型完全一样,那么我们可以直接加载别人训练好的模型:
my_resnet =, MyResNet (* args,, * * kwargs) my_resnet.load_state_dict (torch.load (“my_resnet.pth")
当然这样的加载方法是基于PyTorch推荐的存储模型的方法:
torch.save (my_resnet.state_dict (),“my_resnet.pth")
还有第二种加载方法:
my_resnet =, torch.load (“my_resnet.pth")
<强>加载部分预训练模型强>
其实大多数时候我们需要根据我们的任务调节我们的模型,所以很难保证模型和公开的模型完全一样,但是预训练模型的参数确实有助于提高训练的准确率,为了结合二者的优点,就需要我们加载部分预训练模型。
pretrained_dict =, model_zoo.load_url (model_urls [& # 39; resnet152& # 39;]) 时间=model_dict model.state_dict () #,将pretrained_dict里不属于model_dict的键剔除掉 pretrained_dict =, {k: v for k, v 拷贝pretrained_dict.items (), if k 拷贝model_dict} #,更新现有的model_dict model_dict.update (pretrained_dict) #,加载我们真正需要的state_dict model.load_state_dict (model_dict)
因为需要剔除原模型中不匹配的键,也就是层的名字,所以我们的新模型改变了的层需要和原模型对应层的名字不一样,比如:resnet最后一层的名字是fc (PyTorch中),那么我们修改过的resnet的最后一层就不能取这个名字,可以叫fc_
<强>微改基础模型预训练强>
对于改动比较大的模型,我们可能需要自己实现一下再加载别人的预训练参数。但是,对于一些基本模型PyTorch中已经有了,而且我只想进行一些小的改动那么怎么办呢?难道我又去实现一遍吗?当然不是。
我们首先看看怎么进行微改模型。
<强>微改基础模型强>
PyTorch中的torchvision里已经有很多常用的模型了,可以直接调用:
- <李>
AlexNet
李> <李>VGG
李> <李>resnet
李> <李>SqueezeNet
李> <李>DenseNet
李>import torchvision.models as 模型 时间=resnet18 models.resnet18 () 时间=alexnet models.alexnet () 时间=squeezenet models.squeezenet1_0 () densenet =, models.densenet_161 ()
但是对于我们的任务而言有些层并不是直接能用,需要我们微微改一下,比如,resnet最后的全连接层是类1000分,而我们只有21类;又比如,resnet第一层卷积接收的通道是3,我们可能输入图片的通道是4,那么可以通过以下方法修改:
resnet.conv1 =, nn.Conv2d(4日,64年,kernel_size=7,,=2,大步,填充=3,,偏见=False) resnet.fc =, nn.Linear (2048, 21)
<强>简单预训练强>
模型已经改完了,接下来我们就进行简单预训练吧。
我们先从torchvision中调用基本模型,加载预训练模型,然后,重点来了,将其中的层直接替换为我们需要的层即可:
resnet =, torchvision.models.resnet152 (pretrained=True) #,原本为1000类,改为10类 resnet.fc =, torch.nn.Linear (2048, 10)
以上就是怎么在python中利用PyTorch实现预训练,小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注行业资讯频道。