resnet18如何使用它的预训练模型

使用 ResNet18 预训练模型需要以下步骤：

1. 下载预训练模型

你可以从 PyTorch 官网下载 ResNet18 预训练模型，也可以使用 PyTorch Hub 直接下载。如果你使用的是 PyTorch 1.6 及以上版本，可以使用以下代码下载预训练模型：

import torch
model = torch.hub.load('pytorch/vision:v0.6.0', 'resnet18', pretrained=True)

如果你使用的是较早版本的 PyTorch，可以使用以下代码下载预训练模型：

import torch.utils.model_zoo as model_zoo
model = torchvision.models.resnet18(pretrained=False)
model_url = 'https://download.pytorch.org/models/resnet18-5c106cde.pth'
model.load_state_dict(model_zoo.load_url(model_url))

2. 加载模型

在下载预训练模型后，需要将其加载到你的代码中。你可以使用以下代码加载模型：

import torch
import torchvision

model = torchvision.models.resnet18(pretrained=True)

3. 使用模型进行预测

加载预训练模型后，你就可以使用它进行预测了。以下是一个简单的示例，展示了如何使用 ResNet18 预训练模型对图像进行分类：

import torch
import torchvision
import torchvision.transforms as transforms

# 加载预训练模型
model = torchvision.models.resnet18(pretrained=True)

# 定义数据预处理
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])])

# 加载测试数据集
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)

# 定义分类标签
classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

# 对测试集进行预测
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model.to(device)
model.eval()

with torch.no_grad():
    for data in testloader:
        images, labels = data[0].to(device), data[1].to(device)
        outputs = model(images)
        _, predicted = torch.max(outputs, 1)
        for i in range(4):
            print('Predicted: {}'.format(classes[predicted[i]]))

这是一个对 CIFAR-10 数据集进行预测的示例，你可以根据你自己的数据集进行相应的修改。