resnet18多分类输出代码

当使用ResNet-18进行多分类任务时，我们需要对网络的最后一层进行修改，以适应分类的类别数量。以下是一个示例代码，展示了如何使用PyTorch实现ResNet-18的多分类输出：

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

# 加载预训练的ResNet-18模型
resnet = models.resnet18(pretrained=True)

# 冻结所有参数
for param in resnet.parameters():
    param.requires_grad = False

# 获取ResNet-18的最后一层输入特征数量
num_features = resnet.fc.in_features

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

# 将模型设置为训练模式
resnet.train()

# 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)

# 训练过程
for epoch in range(num_epochs):
    # 前向传播
    outputs = resnet(inputs)
    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 (epoch+1) % 10 == 0:
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item()}')

# 测试过程
resnet.eval()
with torch.no_grad():
    outputs = resnet(test_inputs)
    _, predicted = torch.max(outputs.data, 1)
    accuracy = (predicted == test_labels).sum().item() / len(test_labels)
    print(f'Test Accuracy: {accuracy}')

在上述代码中，我们首先加载预训练的ResNet-18模型，并冻结所有参数。然后，我们通过替换最后一层全连接层来适应多分类任务的类别数量。接下来，我们定义损失函数和优化器，并进行训练和测试过程。