2分类的resnet18代码

ResNet-18是一个经典的深度学习模型，它是Residual Network（残差网络）系列模型的最小版本之一。ResNet-18由18个卷积层组成，并且使用了残差连接来解决深层网络训练时的梯度消失问题。

以下是一个用于2分类的ResNet-18的代码示例（使用Python和PyTorch）：

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

# 定义ResNet-18模型
resnet = models.resnet18(pretrained=True)

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

# 替换最后的全连接层
num_features = resnet.fc.in_features
resnet.fc = nn.Linear(num_features, 2)  # 2表示2分类问题

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

# 加载训练数据和标签
train_data = ...
train_labels = ...

# 进行训练
for epoch in range(10):  # 迭代10个epoch
    running_loss = 0.0
    for i, data in enumerate(train_data):
        inputs, labels = data

        optimizer.zero_grad()
        outputs = resnet(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 100 == 99:
            print('[Epoch: %d, Batch: %d] Loss: %.3f' % (epoch + 1, i + 1, running_loss / 100))
            running_loss = 0.0

print('Training finished.')

# 保存模型
torch.save(resnet.state_dict(), 'resnet18_2class.pth')

这段代码首先导入必要的库，然后加载并初始化ResNet-18模型。我们将预训练好的权重固定，只更新新的分类层的参数。接下来定义了损失函数和优化器。然后使用train_data和train_labels来完成训练过程。在每个epoch和每个batch之后输出损失值。最后保存训练好的模型权重。

这是一个基本的2分类的ResNet-18代码示例，你可以根据具体的问题和数据来做适当的调整。