Pytorch卷积神经网络迁移的目标及好处是什么

本文小编为大家详细介绍“PyTorch卷积神经网络迁移的目标及好处是什么”，内容详细，步骤清晰，细节处理妥当，希望这篇“Pytorch卷积神经网络迁移的目标及好处是什么”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。

一、经典的卷积神经网络

在pytorch官网中，我们可以看到许多经典的卷积神经网络。

这里简单介绍一下经典的卷积神经发展历程

首先可以说是卷积神经网络的开山之作Alexnet（12年的夺冠之作）这里简单说一下缺点 卷积核大，步长大，没有填充层，大刀阔斧的提取特征，容易忽略一些重要的特征

第二个就是VGG网络，它的卷积核大小是3*3，有一个优点是经过池化层之后，通道数翻倍，可以更多的保留一些特征，这是VGG的一个特点

在接下来的一段时间中，出现了一个问题，我们都知道，深度学习随着训练次数的不断增加，效果应该是越来越好，但是这里出现了一个问题，研究发现随着VGG网络的不断提高，效果却没有原来的好，这时候人们就认为，深度学习是不是只能发展到这里了，这时遇到了一个瓶颈。

接下来随着残差网络（Resnet）的提出，解决了上面这个问题，这个网络的优点是保留了原有的特征，假如经过卷积之后提取的特征还没有原图的好，这时候保留原有的特征，就会解决这一问题，下面就是resnet网络模型

这是一些训练对比：

二、迁移学习的目标

首先我们使用迁移学习的目标就是用人家训练好的权重参数，偏置参数，来训练我们的模型。

三、好处

深度学习要训练的数据量是很大的，当我们数据量少时，我们训练的权重参数就不会那么的好，所以这时候我们就可以使用别人训练好的权重参数，偏置参数来使用，会使我们的模型准确率得到提高

四、步骤

迁移学习大致可以分为三步

加载模型

冻结层数

全连接层

五、代码

这里使用的是resnet152

import torchimport torchvision as tvimport torch.nn as nnimport torchvisionimport torch.nn.functional as Fimport torchvision.transfORMs as transformsimport torchfrom torch.utils import datafrom torch import optimfrom torch.autograd import Variablemodel_name='resnet'featuer_extract=Truetrain_on_gpu=torch.cuda.is_available()if not train_on_gpu:    print("没有gpu")else :    print("是gpu")devic=torch.device("cuda:0" if torch.cuda.is_available() else 'cpu')teature_extract=Truedef set_paremeter_requires_grad(model,featuer_extract):    if featuer_extract:        for parm in model.parameters():            parm.requires_grad=False   #不做训练def initialize_model(model_name,num_classes,featuer_extract,use_pretrained=True):    model_ft = None    input_size = 0    if model_name=="resnet":        model_ft=tv.models.resnet152(pretrained=use_pretrained)#下载模型        set_paremeter_requires_grad(model_ft,featuer_extract) #冻结层数        num_ftrs=model_ft.fc.in_features #改动全连接层        model_ft.fc=nn.Sequential(nn.Linear(num_ftrs,num_classes),                                  nn.LogSoftmax(dim=1))        input_size=224 #输入维度    return  model_ft,input_sizemodel_ft,iput_size=initialize_model(model_name,10,featuer_extract,use_pretrained=True)model_ft=model_ft.to(devic)params_to_updata=model_ft.parameters()if featuer_extract:    params_to_updata=[]    for name,param in model_ft.named_parameters():        if param.requires_grad==True:            params_to_updata.append(param)            print("\t",name)else:    for name,param in model_ft.parameters():        if param.requires_grad==True:            print("\t",name)opt=optim.Adam(params_to_updata,lr=0.01)loss=nn.NLLLoss()if __name__ == '__main__':    transform = transforms.Compose([        # 图像增强        transforms.Resize(1024),#裁剪        transforms.RandomHorizontalFlip(),#随机水平翻转        transforms.RandomCrop(224),#随机裁剪        transforms.ColorJitter(brightness=0.5, contrast=0.5, hue=0.5), #亮度        # 转变为tensor 正则化        transforms.ToTensor(), #转换格式        transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225))  # 归一化处理    ])    trainset = tv.datasets.CIFAR10(        root=r'E:\桌面\资料\cv3\数据集\cifar-10-batches-py',        train=True,        download=True,        transform=transform    )    trainloader = data.DataLoader(        trainset,        batch_size=8,        drop_last=True,        shuffle=True,  # 乱序        num_workers=4,    )    testset = tv.datasets.CIFAR10(        root=r'E:\桌面\资料\cv3\数据集\cifar-10-batches-py',        train=False,        download=True,        transform=transform    )    testloader = data.DataLoader(        testset,        batch_size=8,        drop_last=True,        shuffle=False,        num_workers=4    )    for epoch in range(3):        running_loss=0        for index,data in enumerate(trainloader,0):            inputs, labels = data            inputs = inputs.to(devic)            labels = labels.to(devic)            inputs, labels = Variable(inputs), Variable(labels)            opt.zero_grad()            h=model_ft(inputs)            loss1=loss(h,labels)            loss1.backward()            opt.step()            h+=loss1.item()            if index%10==9:                avg_loss=loss1/10.                running_loss=0                print('avg_loss',avg_loss)            if index%100==99 :                correct=0                total=0                for data in testloader:                    images,labels=data                    outputs=model_ft(Variable(images.cuda()))                    _,predicted=torch.max(outputs.cpu(),1)                    total+=labels.size(0)                    bool_tensor=(predicted==labels)                    correct+=bool_tensor.sum()                print('1000张测试集中的准确率为%d   %%'%(100*correct/total))

读到这里，这篇“Pytorch卷积神经网络迁移的目标及好处是什么”文章已经介绍完毕，想要掌握这篇文章的知识点还需要大家自己动手实践使用过才能领会，如果想了解更多相关内容的文章，欢迎关注编程网精选频道。