PyTorch入门学习（十五）：现有网络模型的使用及修改

目录

一、使用现有网络模型

二、修改现有网络模型

---

一、使用现有网络模型

PyTorch提供了许多流行的深度学习模型，这些模型在大规模图像数据集上进行了预训练。其中一个著名的模型是VGG16。下面是如何使用VGG16模型的示例代码：

import torchvision
from torch import nn
from torchvision.models import VGG16
 
# 使用不带预训练权重的VGG16模型
vgg16_false = torchvision.models.vgg16(pretrained=False)
 
# 使用预训练权重的VGG16模型
vgg16_true = torchvision.models.vgg16(pretrained=True)
 
print(vgg16_false)
print(vgg16_true)

在上述代码中，使用torchvision.models.vgg16来加载VGG16模型。通过pretrained参数，我们可以选择是否加载预训练的权重。vgg16_false代表一个不带预训练权重的VGG16模型，而vgg16_true代表一个带有预训练权重的模型。

二、修改现有网络模型

一旦加载了现有的网络模型，可以对其进行修改，以满足特定任务的需求。下面是如何修改VGG16模型的示例代码：

import torchvision
from torch import nn
from torchvision.models import VGG16
 
# 加载带有预训练权重的VGG16模型
vgg16 = torchvision.models.vgg16(pretrained=True)
 
# 添加一个新的线性层，将输出从1000类修改为10类
vgg16.classifier.add_module('add_linear', nn.Linear(1000, 10))
 
# 修改VGG16模型的最后一个全连接层
vgg16.classifier[6] = nn.Linear(4096, 10)
 
print(vgg16)

在上述代码中，加载了一个带有预训练权重的VGG16模型，并通过add_module方法添加了一个新的线性层，将输出从1000类修改为10类。此外，还演示了如何通过修改模型的索引来改变VGG16模型的最后一个全连接层。

这种方法可以帮助您快速构建适用于特定任务的模型，而无需从头开始训练整个网络。

完整代码如下：

import torchvision
from torch import nn
from torchvision.models import VGG16_Weights
 
# train_data = torchvision.datasets.ImageNet("D:\\Python_Project\\pytorch\\data_image_net",split="train",download=True,transform=torchvision.transforms.ToTensor())
 
# 错误原因：参数pretrained自0.13起已弃用，将在0.15后删除，要改用“weights”。
vgg16_false = torchvision.models.vgg16(weights=None)
vgg16_true = torchvision.models.vgg16(weights=VGG16_Weights.DEFAULT)
 
# print(vgg16_true)
 
# 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.add_module('add_Linear',nn.Linear(1000,10))
# print(vgg16_true)
 
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)

参考资料：

视频教程：PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】