pytorch迁移学习,使用预训练模型
2019-07-06 18:14
441 查看
# Download and load the pretrained ResNet-18. resnet = torchvision.models.resnet18(pretrained=True) # 将参数设置为不可修改 for param in resnet.parameters(): param.requires_grad = False # 替换网络的顶层 resnet.fc = nn.Linear(resnet.fc.in_features, 100) # resnet.fc.in_features是输入维度,100为输出维度,此时网络的顶层是可以训练的,实现了网络的微调 # Forward pass. images = torch.randn(64, 3, 224, 224) outputs = resnet(images) print (outputs.size()) # (64, 100)
相关文章推荐
- TensorFlow学习笔记(八) 如何训练自己的图片模型-基于inception模型(未完成)使用迁移学习和从头学习
- PyTorch(三)——使用训练好的模型测试自己图片
- 干货|多重预训练视觉模型的迁移学习
- 【caffe】c++中使用训练好的caffe模型,classification工程生成动态链接库——【caffe学习六】
- 干货|多重预训练视觉模型的迁移学习
- 使用NasNet模型与keras做深度学习训练时报错
- 【神经网络与深度学习】Caffe使用step by step:使用自己数据对已经训练好的模型进行finetuning
- DL学习笔记【15】使用训练好的模型得到分类结果
- TensorFlow学习实践(三):使用TFRecord格式数据和tf.estimator API进行模型训练和预测
- (详细过程)使用Inception V3模型完成迁移学习--实现花朵分类
- 【深度学习】笔记6:使用caffe中的CIFAR10网络模型和自己的图片数据训练自己的模型(步骤详解)
- TensorFlow迁移学习-使用谷歌训练好的Inception-v3网络进行分类
- 使用inception模型进行迁移学习
- TensorFlow学习实践(四):使用TFRecord格式数据和tf.contrib.slim API进行模型训练和预测
- TensorFlow学习实践(二):使用TFRecord格式数据和tf.data API进行模型训练和预测
- 学习 Linux 下使用 caffe 进行模型训练(三)
- TensorFlow学习实践(一):使用TFRecord格式数据和队列进行模型训练和预测
- 数据不够怎么训练深度学习模型?不妨试试迁移学习
- 一文看懂迁移学习:怎样用预训练模型搞定深度学习?
- Caffe学习3-使用预训练模型finetuning