python PyTorch预训练示例

作者:算法学习者 时间:2022-07-06 18:24:02 

前言

最近使用PyTorch感觉妙不可言,有种当初使用Keras的快感,而且速度还不慢。各种设计直接简洁,方便研究,比tensorflow的臃肿好多了。今天让我们来谈谈PyTorch的预训练,主要是自己写代码的经验以及论坛PyTorch Forums上的一些回答的总结整理。

直接加载预训练模型

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")

加载部分预训练模型

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['resnet152'])
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 in pretrained_dict.items() if k in 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_

微改基础模型预训练

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。

微改基础模型

PyTorch中的torchvision里已经有很多常用的模型了,可以直接调用:

  1. AlexNet

  2. VGG

  3. ResNet

  4. SqueezeNet

  5. DenseNet


import torchvision.models as models

resnet18 = models.resnet18()
alexnet = models.alexnet()
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最后的全连接层是分1000类,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, 64, kernel_size=7, stride=2, padding=3, bias=False)
resnet.fc = nn.Linear(2048, 21)

简单预训练

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)

其中使用了pretrained参数,会直接加载预训练模型,内部实现和前文提到的加载预训练的方法一样。因为是先加载的预训练参数,相当于模型中已经有参数了,所以替换掉最后一层即可。OK!

来源:http://blog.csdn.net/AMDS123/article/details/70144935

标签:python,预训练
0
投稿

猜你喜欢

  • python dlib人脸识别代码实例

    2021-04-05 12:57:33
  • 详解Django+Uwsgi+Nginx的生产环境部署

    2022-10-30 10:54:17
  • 改进评论提交表单

    2009-03-25 20:37:00
  • Python asyncore socket客户端开发基本使用教程

    2021-01-25 11:06:39
  • Python利用QQ邮箱发送邮件的实现方法(分享)

    2023-01-06 23:23:25
  • python list使用示例 list中找连续的数字

    2022-10-16 19:49:46
  • Django 使用easy_thumbnails压缩上传的图片方法

    2023-11-10 07:47:38
  • this.clientWidth和this.offsetWidth两个有什么不同

    2024-04-22 22:25:16
  • 使用python对泰坦尼克号幸存者进行数据分析与预测

    2022-09-07 09:29:42
  • 准备SQL Server 2008透明数据加密

    2009-01-22 14:18:00
  • python爬虫的一个常见简单js反爬详解

    2022-10-26 11:46:27
  • 仿淘宝星级评分效果

    2010-09-03 18:37:00
  • Sql Server 和 Access 操作数据库结构Sql语句小结

    2024-01-28 14:13:39
  • Python基础之画图神器matplotlib

    2022-03-03 23:34:02
  • 浅谈Python type的使用

    2021-05-17 05:58:59
  • 下载文件个别浏览器文件名乱码解决办法

    2024-04-17 10:05:04
  • python实操案例练习(八)

    2021-12-17 05:51:45
  • asp清理缓存的代码

    2011-03-09 11:16:00
  • vue 监听键盘回车事件详解 @keyup.enter || @keyup.enter.native

    2023-07-02 17:01:35
  • Python竟能画这么漂亮的花,帅呆了(代码分享)

    2021-02-04 15:50:00
  • asp之家 网络编程 m.aspxhome.com