【PyTorch教程】P25 pytorch中现有模型

P25 pytorch中现有模型

位置：
预训练的意思pretrain，是已经在ImageNet数据集上训练好的：progress是对下载的管理：
使用的dataset，ImageNet：需要安装scipy库：

在这里插入图片描述

点开这个ImageNet看里面的信息：
里面的重要信息：
转而使用已经训练好的model：
上图：false意思是不下载已经在ImageNet里面训练好的模型，即conv、pooling layers里面的那些参数，而true就要下载他们。
对比二者的参数：

在这里插入图片描述

使用vgg16，用在CIFAR数据集上，进行分类：
Vgg16训练时，用的是ImageNet数据集，它把数据分为1000个类，而CIFAR把数据分为10类，那么就有两种做法，来利用vgg16来处理 CIFAR数据集：1、vgg16后面加一个新的线性层，使1000映射到10；2、直接把vgg16最后的输出层改为10类：这里的add_module是集成 - 在pytorch当中的方法了，直接用：
下图是第一种方法：
还有下面这种写法，可以把新添加的层，放在classifier的框架底子，变成classifier的子集，原来是在大的框架vgg的直属下面：
下面是第二个方法：替换原来的输出类型数：图中圈2：

可以运行的代码

# -*- coding: utf-8 -*-import torchvisiontrain_data = torchvision.datasets.ImageNet("../data_image_net", split='train', download=True,transform=torchvision.transforms.ToTensor())from torch import nnvgg16_false = torchvision.models.vgg16(pretrained=False)
vgg16_true = torchvision.models.vgg16(pretrained=True)# print(vgg16_true)'''
print的结果：VGG((features): Sequential((0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(1): ReLU(inplace=True)(2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(3): ReLU(inplace=True)(4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(6): ReLU(inplace=True)(7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(8): ReLU(inplace=True)(9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(11): ReLU(inplace=True)(12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(13): ReLU(inplace=True)(14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(15): ReLU(inplace=True)(16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(18): ReLU(inplace=True)(19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(20): ReLU(inplace=True)(21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(22): ReLU(inplace=True)(23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(25): ReLU(inplace=True)(26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(27): ReLU(inplace=True)(28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(29): ReLU(inplace=True)(30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False))(avgpool): AdaptiveAvgPool2d(output_size=(7, 7))(classifier): Sequential((0): Linear(in_features=25088, out_features=4096, bias=True)(1): ReLU(inplace=True)(2): Dropout(p=0.5, inplace=False)(3): Linear(in_features=4096, out_features=4096, bias=True)(4): ReLU(inplace=True)(5): Dropout(p=0.5, inplace=False)(6): Linear(in_features=4096, out_features=1000, bias=True)    # 由于 imagenet 数据集，他的分类结果是 1000，所以这里out_features 值为1000)                                                                # 要想用于 CIFAR10 数据集， 可以在网络下面多加一行，转成10分类的输出         
)
'''train_data = torchvision.datasets.CIFAR10('../dataset', train=True, transform=torchvision.transforms.ToTensor(),download=True)# vgg16_true.add_module('add_linear',nn.Linear(1000, 10))
# 要想用于 CIFAR10 数据集， 可以在网络下面多加一行，转成10分类的输出，这样输出的结果，跟下面的不一样，位置不一样vgg16_true.classifier.add_module('add_linear', nn.Linear(1000, 10))
# 层级不同
# 如何利用现有的网络，改变结构
print(vgg16_true)# 上面是添加层，下面是如何修改VGG里面的层内容
print(vgg16_false)
vgg16_false.classifier[6] = nn.Linear(4096, 10)  # 中括号里的内容，是网络输出结果自带的索引，套进这种格式，就可以直接修改那一层的内容
print(vgg16_false)'''
这个教程，可以自己修改别人已经写好了的模型，或者在里面添加自己的需求
'''