分类迁移学习的源代码

分类迁移学习是一种机器学习技术，它允许我们在训练一个特定任务的模型后，将其知识应用到另一个相关但不同任务上。这通常涉及到将预训练的模型（比如在大规模数据集如ImageNet上训练过的模型）的某些层固定，然后只微调部分网络以适应新任务。

在Python中，深度学习库如TensorFlow和PyTorch提供了丰富的支持。例如，在TensorFlow中，可以使用`tf.keras.applications`模块加载预训练的模型，然后通过`tf.keras.layers.experimental.preprocessing`对输入进行适配并添加自定义的分类头：

from tensorflow import keras
from tensorflow.keras.applications import VGG16

base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
# Freeze the base model's layers
base_model.trainable = False

# Add a new classification head
x = base_model.output
x = keras.layers.Flatten()(x)
predictions = keras.layers.Dense(num_classes, activation='softmax')(x)

model = keras.Model(inputs=base_model.input, outputs=predictions)

# Compile the model for fine-tuning
model.compile(optimizer=keras.optimizers.Adam(), loss='categorical_crossentropy', metrics=['accuracy'])

# Train only the top layers on your custom dataset
model.fit(train_dataset, epochs=num_epochs, validation_data=val_dataset)

在PyTorch中，可以使用`torchvision.models`类似的方式加载模型：

import torch
import torchvision.models as models

pretrained_model = models.resnet18(pretrained=True)
for param in pretrained_model.parameters():
    param.requires_grad = False

num_classes_your_task = ...  # Number of classes for your task
num_features = pretrained_model.fc.in_features
pretrained_model.fc = nn.Linear(num_features, num_classes_your_task)
optimizer = optim.SGD(model.fc.parameters(), lr=0.001)  # Fine-tune the last layer

# Train with your custom dataset
model.train()
...