pytorch用Resnet进行人脸识别的代码

以下是使用 PyTorch 和 ResNet 进行人脸识别的代码：

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

# 加载 ResNet 模型
resnet = models.resnet18(pretrained=True)

# 冻结 ResNet 的所有层
for param in resnet.parameters():
    param.requires_grad = False

# 将最后一层的输出特征数修改为人脸的类别数
num_classes = 10
resnet.fc = nn.Linear(resnet.fc.in_features, num_classes)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(resnet.fc.parameters())

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

        outputs = resnet(images)
        loss = criterion(outputs, labels)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if (i+1) % 100 == 0:
            print ('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'
                   .format(epoch+1, num_epochs, i+1, total_step, loss.item()))

# 测试模型
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        images = images.to(device)
        labels = labels.to(device)
        outputs = resnet(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

    print('Accuracy of the network on the 10000 test images: {} %'.format(100 * correct / total))

在这个代码中，我们使用了一个预先训练好的 ResNet-18 模型，将其最后一层的输出特征数修改为我们需要分类的类别数，并且只训练了最后一层的参数。在训练期间，我们使用交叉熵损失函数和 Adam 优化器来更新模型的参数。在测试期间，我们使用测试集来评估模型的准确性。