[英]The Number of Classes in Pytorch Pretrained Model
我想使用Pytorch中的預訓練模型對自己的數據集進行圖像分類,但是如何在凍結特征提取層的參數的同時改變類的數量?
這些是我想要包括的模型:
resnet18 = models.resnet18(pretrained=True)
densenet161 = models.densenet161(pretrained=True)
inception_v3 = models.inception_v3(pretrained=True)
shufflenet_v2_x1_0 = models.shufflenet_v2_x1_0(pretrained=True)
mobilenet_v3_large = models.mobilenet_v3_large(pretrained=True)
mobilenet_v3_small = models.mobilenet_v3_small(pretrained=True)
mnasnet1_0 = models.mnasnet1_0(pretrained=True)
resnext50_32x4d = models.resnext50_32x4d(pretrained=True)
vgg16 = models.vgg16(pretrained=True)
非常感謝!
我添加的新代碼:
import torch
from torchvision import models
class MyResModel(torch.nn.Module):
def __init__(self):
super(MyResModel, self).__init__()
self.classifier = nn.Sequential(
nn.Linear(512,256),
nn.ReLU(),
nn.Dropout(p=0.5),
nn.Linear(256,3),
)
def forward(self, x):
return self.classifier(x)
resnet18 = models.resnet18(pretrained=True)
resnet18.fc = MyResModel()
for param in resnet18.parameters():
param.requires_grad_(False)
您必須更改相應 model 的最終線性層。
以re.net為例,當我們打印model時,我們看到最后一層是全連接層,如下圖:
(fc): Linear(in_features=512, out_features=1000, bias=True)
因此,您必須將 model.fc 重新初始化為具有 512 個輸入特征和 2 個 output 特征的線性層:
model.fc = nn.Linear(512, num_classes)
對於其他型號,您可以在此處查看
要凍結 .network 的參數,您必須使用以下代碼:
for name, param in model.named_parameters():
if 'fc' not in name:
print(name, param.requires_grad)
param.requires_grad=False
驗證:
for name, param in model.named_parameters():
print(name,param.requires_grad)
請注意,對於此示例,“fc”是分類層的名稱。 其他模型並非如此。 您必須檢查 model 才能找到分類層的名稱。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.