使用MNIST数据集Pytorch训练SqueezeNet模型

Question

我想使用MNIST数据集而不是ImageNet数据集训练SqueezeNet 1.1模型。
我可以使用与torchvision.models.squeezenet相同的模型吗？
谢谢！

Answer 1

TorchVision仅为SqueezeNet体系结构提供ImageNet数据预训练模型。 但是，您可以使用MNIST数据集通过只取模型（而不是预先训练的一个），训练自己的模型torchvision.models 。

In [10]: import torchvision as tv

# get the model architecture only; ignore `pretrained` flag
In [11]: squeezenet11 = tv.models.squeezenet1_1()

In [12]: squeezenet11.training   
Out[12]: True

现在，您可以使用此体系结构在MNIST数据上训练模型，这应该不会花费太长时间。

---

要记住的一种修改是更新MNIST的类数为10。 具体来说，应将1000更改为10，并相应地调整内核和步幅。

  (classifier): Sequential(
    (0): Dropout(p=0.5)
    (1): Conv2d(512, 1000, kernel_size=(1, 1), stride=(1, 1))
    (2): ReLU(inplace)
    (3): AvgPool2d(kernel_size=13, stride=1, padding=0)
  )

这是相关的解释： finetuning_torchvision_models-squeezenet

Answer 2

可以对预训练的权重进行初始化，但是由于MNIST图像为28X28像素，因此您会在步幅和内核大小上遇到麻烦。 减少的可能性最大可能是在网络处于其推断层之前导致（batch_sizex1x1xchannel）特征图，然后将导致错误。