可以帮我写一份resnet的迁移学习代码吗

当然可以，以下是一个使用ResNet50进行迁移学习的PyTorch代码示例：

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

# 设置训练和验证数据的路径
data_dir = 'path/to/data'
train_dir = data_dir + '/train'
val_dir = data_dir + '/val'

# 预处理数据
# 训练集图片随机裁剪到224x224大小，进行数据扩增
# 验证集图片按比例缩放到256x256大小，中心裁剪到224x224大小
data_transforms = {
    'train': transforms.Compose([
        transforms.RandomResizedCrop(224),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ]),
    'val': transforms.Compose([
        transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ])
}

# 加载数据
# 使用ImageFolder读取目录下的图片，并把图片路径作为label
image_datasets = {x: datasets.ImageFolder(os.path.join(data_dir, x), data_transforms[x])
                  for x in ['train', 'val']}
dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size=32,
                                             shuffle=True, num_workers=4)
              for x in ['train', 'val']}
dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'val']}
class_names = image_datasets['train'].classes

# 加载预训练的ResNet50模型
model_ft = models.resnet50(pretrained=True)

# 替换最后一层全连接层，输出为我们需要的分类数
num_ftrs = model_ft.fc.in_features
model_ft.fc = nn.Linear(num_ftrs, 2)

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

# 在GPU上训练模型
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model_ft = model_ft.to(device)

# 训练模型
# 只训练最后一层全连接层，不更新ResNet50的参数
# 在验证集上测试模型
# 训练5个epoch
num_epochs = 5
for epoch in range(num_epochs):
    for phase in ['train', 'val']:
        if phase == 'train':
            model_ft.train()  # 训练模式
        else:
            model_ft.eval()   # 推理模式

        running_loss = 0.0
        running_corrects = 0

        for inputs, labels in dataloaders[phase]:
            inputs = inputs.to(device)
            labels = labels.to(device)

            optimizer_ft.zero_grad()

            with torch.set_grad_enabled(phase == 'train'):
                outputs = model_ft(inputs)
                _, preds = torch.max(outputs, 1)
                loss = criterion(outputs, labels)

                if phase == 'train':
                    loss.backward()
                    optimizer_ft.step()

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

        epoch_loss = running_loss / dataset_sizes[phase]
        epoch_acc = running_corrects.double() / dataset_sizes[phase]

        print('{} Loss: {:.4f} Acc: {:.4f}'.format(phase, epoch_loss, epoch_acc))

这个代码示例中，我们首先使用`torchvision`库中的`transforms`对训练和验证集的数据进行预处理，然后使用`datasets.ImageFolder`读取目录下的图片，并把图片路径作为label。接着我们加载预训练的ResNet50模型，并替换最后一层全连接层输出为二分类。然后定义损失函数和优化器，在GPU上训练模型。我们只训练最后一层全连接层，不更新ResNet50的参数。在每个epoch中，在训练集上训练模型，在验证集上测试模型。最后训练5个epoch。