pytorch快速训练ai作画模型的python代码

以下是使用PyTorch快速训练AI作画模型的Python代码示例：

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import transforms, models

# 定义数据集和数据转换
data_transforms = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
image_dataset = datasets.ImageFolder('path/to/dataset', data_transforms)
dataloader = torch.utils.data.DataLoader(image_dataset, batch_size=4, shuffle=True, num_workers=4)

# 加载预训练模型
model = models.resnet18(pretrained=True)

# 固定卷积层参数
for param in model.parameters():
    param.requires_grad = False

# 替换最后一层全连接层
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, len(image_dataset.classes))

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.fc.parameters(), lr=0.001, momentum=0.9)

# 训练模型
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model = model.to(device)
num_epochs = 10
for epoch in range(num_epochs):
    running_loss = 0.0
    for inputs, labels in dataloader:
        inputs, labels = inputs.to(device), labels.to(device)
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item() * inputs.size(0)
    epoch_loss = running_loss / len(image_dataset)
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, epoch_loss))

# 保存模型
torch.save(model.state_dict(), 'path/to/save/model.pt')

这个示例代码中，我们使用PyTorch加载了一个预训练的ResNet-18模型，并将其用于训练一个AI作画模型。我们还使用了一个数据集，并定义了数据转换、损失函数和优化器。最后，我们在训练过程中使用了CUDA加速，并保存了训练好的模型。