resnet冻结后面几层训练代码

在 PyTorch 中冻结 ResNet 的后几层并训练前几层，可以按照以下步骤：

1. 加载预训练的 ResNet 模型

import torch
import torchvision.models as models

resnet = models.resnet18(pretrained=True)

2. 冻结后面几层

for param in resnet.parameters():
    param.requires_grad = False

# 可以选择冻结部分层
for param in resnet.layer4.parameters():
    param.requires_grad = False

3. 修改分类器以适应新任务

# 修改分类器，这里以 resnet18 为例
num_ftrs = resnet.fc.in_features
resnet.fc = torch.nn.Linear(num_ftrs, num_classes)

4. 定义损失函数和优化器

criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(resnet.fc.parameters(), lr=0.001, momentum=0.9)

5. 训练模型

for epoch in range(num_epochs):
    for inputs, labels in dataloaders['train']:
        # 将输入和标签转移到 GPU 上
        inputs = inputs.to(device)
        labels = labels.to(device)

        # 模型前向传播
        outputs = resnet(inputs)
        loss = criterion(outputs, labels)

        # 反向传播和优化器更新
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

其中，`num_classes` 表示新任务的分类数，`dataloaders` 表示数据加载器，`num_epochs` 表示训练轮数，`device` 表示设备（如 `cuda` 或 `cpu`）。