Pytorch修改ResNet模型全连接层进行直接训练实例
2019-09-10 16:32
1971 查看
之前在用预训练的ResNet的模型进行迁移训练时,是固定除最后一层的前面层权重,然后把全连接层输出改为自己需要的数目,进行最后一层的训练,那么现在假如想要只是把
最后一层的输出改一下,不需要加载前面层的权重,方法如下:
model = torchvision.models.resnet18(pretrained=False) num_fc_ftr = model.fc.in_features model.fc = torch.nn.Linear(num_fc_ftr, 224) model = nn.DataParallel(model, device_ids=config.gpus).to(device)
首先模型结构是必须要传入的,然后把最后一层的输出改为自己所需的数目
以上知识点很简单,大家可以测试下,感谢大家的阅读和对脚本之家的支持。
您可能感兴趣的文章:
相关文章推荐
- 使用tf-slim的ResNet V1 152和ResNet V2 152预训练模型进行图像分类
- 使用Keras预训练模型ResNet50进行图像分类
- PyTorch实例:用ResNet进行交通标志分类
- 如何保存训练好的神经网络直接进行测试-TensorFlow模型持久化
- 使用tf-slim的inception_resnet_v2预训练模型进行图像分类
- Pytorch加载部分预训练模型的参数实例
- python调用resnet模型 对人脸图片进行特征提取,提取全连接层特征向量
- 深度学习Caffe平台实例——CIFAR-10数据集在caffe平台上模型训练及实例使用模型进行预测
- 用caffe训练完模型之后调用matlab接口直接进行测试,不用重新编写模型程序
- 解决了PyTorch 使用torch.nn.DataParallel 进行多GPU训练的一个BUG:模型(参数)和数据不在相同设备上
- 交通标识牌模型训练c++代码实例及运行结果
- DL开源框架Caffe | 用训练好的模型对数据进行预测
- 学习 Linux 下使用 caffe 进行模型训练(三)
- 1. 手机销售系统(结合着本地文件的读写,进行数据的持久化(.txt),当程序退出的时候,将所有修改后的数据保存在txt中,等下一次再运行程序的时候,可以直接从txt中读取最新的数据信息)
- Pytorch学习笔记(I)——预训练模型(十一):ResNet152网络结构
- C++利用二级指针做函数形参来进行修改实参的实例分析
- Ubuntu16.04下使用Pytorch+detectron的训练模型,进行图片的检测标框主要使用infer_simple.py
- 【PyTorch图像语义分割】4. 使用训练好的模型测试
- 开源 人脸识别 openface 实用介绍 实例演示 训练自己的模型