resnet = models.resnet34(pretrained=False)在torchvision0.15中pretrained已经弃用，修改为用参数weights的写法

是的，您说得对。在torchvision 0.15中，pretrained参数已经被弃用，可以使用weights参数来指定预训练模型的权重文件路径或者使用预训练模型的名称。例如，如果您要使用ResNet-34的预训练模型权重，可以这样写：

resnet = models.resnet34(weights='resnet34.pth')

其中'resnet34.pth'是预训练模型权重文件的路径。如果您想使用PyTorch官方提供的预训练模型，可以使用以下代码：

resnet = models.resnet34(weights='imagenet')

这将下载并使用在ImageNet数据集上预训练的ResNet-34模型。当然，您也可以指定其他的预训练模型名称。

相关问题

resnet = models.resnet50(pretrained=False) state_dict = torch.load(r"resnet50-0676ba61.pth") resnet.load_state_dict(state_dict)

这段代码是用来加载预训练的 ResNet-50 模型的权重。首先，通过使用 `models.resnet50(pretrained=False)` 创建一个 ResNet-50 模型的实例 `resnet`，并设置 `pretrained` 参数为 `False`，表示不加载预训练的权重。

接下来，使用 `torch.load()` 函数从指定路径加载保存的权重文件 `resnet50-0676ba61.pth`，并将其存储在一个字典类型的对象 `state_dict` 中。

最后，通过调用 `resnet.load_state_dict(state_dict)` 将加载的权重应用到 `resnet` 模型中，使其具有预训练的权重。这样，`resnet` 就可以用于进行图像分类等任务了。

resnet = torchvision.models.resnet34(pretrained=True)如何指定本地存储的预训练权重

如果您已经下载了预训练权重并希望在本地使用它们，可以将`pretrained`参数设置为`False`，然后使用`torch.load()`函数手动加载本地权重文件。例如，以下代码将加载本地存储的`resnet34-333f7ec4.pth`文件作为ResNet-34的预训练权重：

import torch
import torchvision

resnet = torchvision.models.resnet34(pretrained=False)
state_dict = torch.load('resnet34-333f7ec4.pth')
resnet.load_state_dict(state_dict)

请确保将`resnet34-333f7ec4.pth`文件放在当前工作目录中或指定正确的文件路径。