ResNet18实现图像分类的实例代码

ResNet18在PyTorch中实现图像分类的基本步骤如下：

import torch
from torchvision import models, transforms

# 加载预训练的ResNet18模型
model = models.resnet18(pretrained=True)

# 冻结模型的所有层，以防改变预训练权重
for param in model.parameters():
    param.requires_grad = False

# 取出最后一层全连接层，因为我们要替换它以适应新的类别数
num_features = model.fc.in_features
model.fc = torch.nn.Linear(num_features, num_classes)  # num_classes是你分类任务的类别总数

# 数据预处理
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])
])

# 假设你有一个名为'data_loader'的批次加载器
images, labels = data_loader[0]  # 获取一批图像和对应的标签

# 将输入数据转换成Float并归一化
inputs = images.float().cuda() / 255

# 前向传播并获取预测结果
outputs = model(inputs)
_, predicted = torch.max(outputs.data, 1)

这里的关键点是在模型的最后一层替换为一个新的线性层，以匹配你的目标分类类别，并在前传之前对数据进行预处理。