resnet50代码 pytorch

当然，下面是一个使用PyTorch实现的ResNet-50模型的代码示例：

import torch
import torch.nn as nn
import torchvision.models as models

# 加载预训练的ResNet-50模型
resnet = models.resnet50(pretrained=True)

# 替换最后一层全连接层
num_features = resnet.fc.in_features
resnet.fc = nn.Linear(num_features, num_classes)

# 将模型转移到GPU上（如果可用）
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
resnet = resnet.to(device)

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

# 训练模型
for epoch in range(num_epochs):
    for images, labels in dataloader:
        images = images.to(device)
        labels = labels.to(device)

        # 前向传播
        outputs = resnet(images)
        loss = criterion(outputs, labels)

        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        # 打印训练信息
        if (i+1) % 100 == 0:
            print(f'Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{total_steps}], Loss: {loss.item():.4f}')

上面的代码使用了PyTorch中的`torchvision.models`模块来加载预训练的ResNet-50模型，并替换了最后一层全连接层以适应特定的分类任务。然后，将模型移动到GPU上（如果可用），定义损失函数和优化器，并通过迭代训练数据进行模型训练。

请注意，这只是一个基本的代码示例，实际使用时可能需要根据具体任务进行调整，并根据数据集准备数据加载器和其他必要的步骤。