ResNet18的正确使用方式

ResNet18（Residual Network）是一种基础的卷积神经网络架构，由Kaiming He等人在2015年提出。在深度学习中，它以其残差连接（residual connections）而闻名，有助于解决深层网络训练过程中的梯度消失问题。

以下是ResNet18的基本使用步骤，在PyTorch中：

1. **导入必要的库**:

import torch
import torch.nn as nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

2. **加载数据集**:

transform = transforms.Compose([transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])
train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=128, shuffle=True)

3. **定义ResNet18模型**:

model = nn.Sequential(*list(resnet18(pretrained=True).children())[:-1])

注意这里我们只取除了最后一层全连接层的部分，因为通常我们会添加自定义的分类层。

4. **加载预训练权重**:

model.load_state_dict(torch.load('pretrained_resnet18.pth'))

5. **准备损失函数和优化器**:

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

6. **训练模型**:

for epoch in range(num_epochs):
    for images, labels in train_loader:
        outputs = model(images)
        loss = criterion(outputs, labels)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

7. **评估模型（测试阶段）**:

model.eval()
test_loss, test_accuracy = evaluate_on_testset(model, test_loader)