torchvision怎么使用预训练模型？

Torchvision是PyTorch的一个包，它提供了一些常用的计算机视觉模型以及常用的数据集。在Torchvision中使用预训练模型非常简单，只需要加载预训练模型的权重即可。

以下是一个使用预训练的ResNet-18模型对CIFAR-10数据集进行分类的示例代码：

import torch
import torch.nn as nn
import torchvision.models as models
import torchvision.transforms as transforms
import torchvision.datasets as datasets

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

# 将最后一层全连接层替换为10分类的全连接层
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, 10)

# 定义数据预处理步骤
transform = transforms.Compose([
    transforms.RandomHorizontalFlip(),
    transforms.RandomCrop(32, padding=4),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

# 加载CIFAR-10数据集
train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)

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

# 训练模型
for epoch in range(10):
    for i, (images, labels) in enumerate(train_dataset):
        # 前向传播
        outputs = model(images.unsqueeze(0))
        loss = criterion(outputs, labels.unsqueeze(0))
        
        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

# 在测试集上测试模型的准确率
correct = 0
total = 0
with torch.no_grad():
    for images, labels in test_dataset:
        outputs = model(images.unsqueeze(0))
        _, predicted = torch.max(outputs.data, 1)
        total += 1
        correct += (predicted == labels).sum().item()

print('Accuracy of the model on the test images: %d %%' % (100 * correct / total))

在上述代码中，我们首先加载预训练的ResNet-18模型，并将其最后一层全连接层替换为10分类的全连接层。然后，我们定义了数据预处理步骤并加载CIFAR-10数据集。接着，我们定义了损失函数和优化器，并进行了模型的训练。最后，我们在测试集上测试了模型的准确率。