请提供一个FasterRCNN的代码示例

这里提供一个使用PyTorch实现的FasterRCNN的代码示例：

import torch
import torchvision
from torchvision.models.detection.faster_rcnn import FastRCNNPredictor

# 加载预训练的FasterRCNN模型
model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained=True)

# 获取模型的分类器
in_features = model.roi_heads.box_predictor.cls_score.in_features

# 替换模型的分类器
model.roi_heads.box_predictor = FastRCNNPredictor(in_features, num_classes)

# 指定设备
device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu')

# 将模型移动到指定设备
model.to(device)

# 定义损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.005, momentum=0.9, weight_decay=0.0005)

# 加载数据集并进行训练
for epoch in range(num_epochs):
    for images, targets in data_loader:
        images = [image.to(device) for image in images]
        targets = [{k: v.to(device) for k, v in t.items()} for t in targets]

        # 前向传播
        outputs = model(images, targets)

        # 计算损失
        loss = sum(loss for loss in outputs.values())

        # 反向传播并更新模型参数
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

以上代码示例中，我们首先加载了预训练的FasterRCNN模型，并替换了模型的分类器。然后我们将模型移动到指定设备上，并定义了损失函数和优化器。最后，我们加载数据集并进行训练。需要注意的是，这里的data_loader是一个PyTorch的数据加载器，用于批量加载训练数据。