pytorch中的pre-train函数模型引用及修改(增减网络层,修改某层参数等)
来源:互联网 发布:网络存储服务器价格 编辑:程序博客网 时间:2024/06/06 17:14
一、pytorch中的pre-train模型
卷积神经网络的训练是耗时的,很多场合不可能每次都从随机初始化参数开始训练网络。
pytorch中自带几种常用的深度学习网络预训练模型,如VGG、ResNet等。往往为了加快学习的进度,在训练的初期我们直接加载pre-train模型中预先训练好的参数,model的加载如下所示:
import torchvision.models as models#resnetmodel = models.ResNet(pretrained=True)model = models.resnet18(pretrained=True)model = models.resnet34(pretrained=True)model = models.resnet50(pretrained=True)#vggmodel = models.VGG(pretrained=True)model = models.vgg11(pretrained=True)model = models.vgg16(pretrained=True)model = models.vgg16_bn(pretrained=True)
二、预训练模型的修改
1.参数修改
对于简单的参数修改,这里以resnet预训练模型举例,resnet源代码在Github点击打开链接。
resnet网络最后一层分类层fc是对1000种类型进行划分,对于自己的数据集,如果只有9类,修改的代码如下:
# coding=UTF-8import torchvision.models as models#调用模型model = models.resnet50(pretrained=True)#提取fc层中固定的参数fc_features = model.fc.in_features#修改类别为9model.fc = nn.Linear(fc_features, 9)
2.增减卷积层
前一种方法只适用于简单的参数修改,有的时候我们往往要修改网络中的层次结构,这时只能用参数覆盖的方法,即自己先定义一个类似的网络,再将预训练中的参数提取到自己的网络中来。这里以resnet预训练模型举例。
# coding=UTF-8import torchvision.models as modelsimport torchimport torch.nn as nnimport mathimport torch.utils.model_zoo as model_zooclass CNN(nn.Module): def __init__(self, block, layers, num_classes=9): self.inplanes = 64 super(ResNet, self).__init__() self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3, bias=False) self.bn1 = nn.BatchNorm2d(64) self.relu = nn.ReLU(inplace=True) self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1) self.layer1 = self._make_layer(block, 64, layers[0]) self.layer2 = self._make_layer(block, 128, layers[1], stride=2) self.layer3 = self._make_layer(block, 256, layers[2], stride=2) self.layer4 = self._make_layer(block, 512, layers[3], stride=2) self.avgpool = nn.AvgPool2d(7, stride=1) #新增一个反卷积层 self.convtranspose1 = nn.ConvTranspose2d(2048, 2048, kernel_size=3, stride=1, padding=1, output_padding=0, groups=1, bias=False, dilation=1) #新增一个最大池化层 self.maxpool2 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1) #去掉原来的fc层,新增一个fclass层 self.fclass = nn.Linear(2048, num_classes) for m in self.modules(): if isinstance(m, nn.Conv2d): n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels m.weight.data.normal_(0, math.sqrt(2. / n)) elif isinstance(m, nn.BatchNorm2d): m.weight.data.fill_(1) m.bias.data.zero_() def _make_layer(self, block, planes, blocks, stride=1): downsample = None if stride != 1 or self.inplanes != planes * block.expansion: downsample = nn.Sequential( nn.Conv2d(self.inplanes, planes * block.expansion, kernel_size=1, stride=stride, bias=False), nn.BatchNorm2d(planes * block.expansion), ) layers = [] layers.append(block(self.inplanes, planes, stride, downsample)) self.inplanes = planes * block.expansion for i in range(1, blocks): layers.append(block(self.inplanes, planes)) return nn.Sequential(*layers) def forward(self, x): x = self.conv1(x) x = self.bn1(x) x = self.relu(x) x = self.maxpool(x) x = self.layer1(x) x = self.layer2(x) x = self.layer3(x) x = self.layer4(x) x = self.avgpool(x) #新加层的forward x = x.view(x.size(0), -1) x = self.convtranspose1(x) x = self.maxpool2(x) x = x.view(x.size(0), -1) x = self.fclass(x) return x#加载modelresnet50 = models.resnet50(pretrained=True)cnn = CNN(Bottleneck, [3, 4, 6, 3])#读取参数pretrained_dict = resnet50.state_dict()model_dict = cnn.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_dictmodel_dict.update(pretrained_dict)# 加载我们真正需要的state_dictcnn.load_state_dict(model_dict)# print(resnet50)print(cnn)
以上就是相关的内容,本人刚入门的小白一枚,请轻喷~
阅读全文
0 0
- pytorch中的pre-train函数模型引用及修改(增减网络层,修改某层参数等)
- (继)pytorch中的pretrain模型网络结构修改
- LeNet网络模型各层及参数解读
- PyTorch(五)——PyTorch源码修改之增加ConvLSTM层
- YII2 模型层 添加和修改截图(笔记)
- 网络七层及模型&&网络数据包
- 七层网络模型与四层网络模型及每层的网络协议?
- Z-Stack 的应用层参数修改
- pytorch网络层结构的数组化
- 7层网络模型
- 网络七层模型
- 网络七层模型
- 网络层模型
- 七层网络模型
- 网络五层模型
- 网络七层模型
- caffe 修改层
- OSI七层模型详解(物理层、数据链路层、网络层、传输层.....应用层协议与硬件)
- Python每日小结(十)
- 机房-结账
- java面试整理
- TCP与UDP的区别总结
- Python网络数据采集
- pytorch中的pre-train函数模型引用及修改(增减网络层,修改某层参数等)
- 提交表单 之 提示文字在输入框内部,提示文字怎么处理?
- 剑指offer — 调整数组顺序使奇数位于偶数前面
- 机器学习笔记-Radial Basis Function Network
- 2182: [Spoj1479]The GbAaY Kingdom最小直径生成树
- MySQL事物和游标示例
- js滑动进度
- 关于Android studio的模拟器无法打开问题
- charles提示“SSL Proxying not enabled for this host: enable in Proxy Settings, SSL locations”