使用pytorch进行迁移学习

说明：本篇文章整理Transfer Learning tutorial上的知识点；关于迁移学习，请移步：cs231n
notes

简要说明为何需要迁移学习：

 在实际中，我们很少会训练一整个卷积神经网络（所有的参数从随机初始值开始训练），因为我们很难找到足够大的数据集。实际上，我们会用一个非常大的数据集（如ImageNet）来预训练一个卷积神经网络，然后使用这个神经网络来作为初始化权重或者是特征提取器。

迁移学习的两个基本操作：

 · 使用预训练网络的权重作为训练模型的初始权重，而不是随机初始化的参数。

 · 固定卷积层的参数不动，训练、微调全连接层（分类器）；全连接层的参数是随机初始化的。

 

需要用到的库：

from __future__ import print_function, division

import torch
import torch.nn as nn
import torch.optim as optim
from torch.optim import lr_scheduler
from torch.autograd import Variable
import numpy as np
import torchvision
from torchvision import datasets, models, transforms
import matplotlib.pyplot as plt
import time
import os
import copy

plt.ion() # interactive mode

加载数据，将数据集放在脚本文件的相对目录下：