请帮我写出基于pytorch resnet实现图片2分类的代码

好的，以下是基于 PyTorch 实现图片二分类任务的 ResNet 代码示例：

首先，导入所需的包：

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

接着，定义 ResNet 模型：

class ResNetModel(nn.Module):
    def __init__(self, num_classes):
        super(ResNetModel, self).__init__()
        self.resnet = models.resnet50(pretrained=True)
        num_feats = self.resnet.fc.in_features
        self.resnet.fc = nn.Linear(num_feats, num_classes)

    def forward(self, x):
        return self.resnet(x)

在这个模型中，我们使用了预训练的 ResNet-50 作为特征提取器，并在其顶部添加了一个全连接层进行分类。`num_classes` 参数表示数据集的类别数。

接着，定义损失函数和优化器：

model = ResNetModel(num_classes=2)
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)

这里使用了交叉熵损失函数和 Adam 优化器。

接下来，定义训练函数：

def train(model, dataloader, criterion, optimizer, device):
    model.train()
    running_loss = 0.0
    running_corrects = 0

    for inputs, labels in dataloader:
        inputs = inputs.to(device)
        labels = labels.to(device)

        optimizer.zero_grad()

        with torch.set_grad_enabled(True):
            outputs = model(inputs)
            _, preds = torch.max(outputs, 1)
            loss = criterion(outputs, labels)

            loss.backward()
            optimizer.step()

        running_loss += loss.item() * inputs.size(0)
        running_corrects += torch.sum(preds == labels.data)

    epoch_loss = running_loss / len(dataloader.dataset)
    epoch_acc = running_corrects.double() / len(dataloader.dataset)

    return epoch_loss, epoch_acc

这个函数用于训练模型。其中，`dataloader` 表示数据集的数据加载器，`device` 表示使用的设备（如 CPU 或 GPU）。

最后，定义测试函数：

def test(model, dataloader, criterion, device):
    model.eval()
    running_loss = 0.0
    running_corrects = 0

    for inputs, labels in dataloader:
        inputs = inputs.to(device)
        labels = labels.to(device)

        with torch.set_grad_enabled(False):
            outputs = model(inputs)
            _, preds = torch.max(outputs, 1)
            loss = criterion(outputs, labels)

        running_loss += loss.item() * inputs.size(0)
        running_corrects += torch.sum(preds == labels.data)

    epoch_loss = running_loss / len(dataloader.dataset)
    epoch_acc = running_corrects.double() / len(dataloader.dataset)

    return epoch_loss, epoch_acc

这个函数用于测试模型在测试集上的性能。

完整的训练流程如下：

num_epochs = 10
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

# dataloaders
train_dataloader = ...
val_dataloader = ...

# model, loss function, optimizer
model = ResNetModel(num_classes=2)
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)

# train and evaluate
for epoch in range(num_epochs):
    train_loss, train_acc = train(model, train_dataloader, criterion, optimizer, device)
    val_loss, val_acc = test(model, val_dataloader, criterion, device)

    print(f"Epoch {epoch+1}/{num_epochs} - Train Loss: {train_loss:.4f} - Train Acc: {train_acc:.4f} - Val Loss: {val_loss:.4f} - Val Acc: {val_acc:.4f}")

其中，`train_dataloader` 和 `val_dataloader` 分别表示训练集和验证集的数据加载器。

希望这个代码示例可以帮到你！