使用PyTorch代码举例子
时间: 2024-01-12 18:02:21 浏览: 25
好的,以下是一个使用PyTorch库和ResNet18预训练模型进行迁移学习的示例代码:
```python
# 导入PyTorch库和预训练模型
import torch
import torchvision.models as models
import torch.nn as nn
# 加载预训练模型(不包括顶部的全连接层)
base_model = models.resnet18(pretrained=True)
num_features = base_model.fc.in_features
base_model.fc = nn.Linear(num_features, 2)
# 冻结预训练模型
for param in base_model.parameters():
param.requires_grad = False
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(base_model.fc.parameters(), lr=0.001)
# 训练模型
for epoch in range(10):
for inputs, labels in train_loader:
optimizer.zero_grad()
outputs = base_model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# 评估模型
correct = 0
total = 0
with torch.no_grad():
for inputs, labels in test_loader:
outputs = base_model(inputs)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy of the model on the test images: {} %'.format(100 * correct / total))
# 使用模型进行预测
with torch.no_grad():
outputs = base_model(test_data)
_, predicted = torch.max(outputs.data, 1)
```
在这个例子中,我们使用了ResNet18预训练模型,并在其顶部添加了一个新的全连接层。我们冻结了预训练模型的权重,并只训练了新添加的层,以避免过度拟合。最后,我们定义了损失函数和优化器,并使用训练数据训练了模型。我们评估了模型的性能,并使用它进行了预测。