目录
一、模型准备
二、修改结构
1、在网络中添加一层
2、在classifier结点添加一个线性层
3、修改网络中的某一层(features 结点举例）
4、替换网络中的某一层结构（与第3点类似）
5、提取全连接层的输入特征数和输出特征数
6、删除网络层
7、指定某一层冻结
8、批量冻结（只训练最后一层）
9、查看哪些层冻结哪些没有
10、加载网络权重
三、自定义数据集加载
一、模型准备
import torch
import torch.nn as nn
from torchvision import models
model = models.vgg11(pretrained=False)查看模型结构：
print(model)VGG(
(features): Sequential(
(0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(1): ReLU(inplace=True)
(2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(3): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(4): ReLU(inplace=True)
(5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(6): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(7): ReLU(inplace=True)
(8): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(9): ReLU(inplace=True)
(10): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(11): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(12): ReLU(inplace=True)
(13): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(14): ReLU(inplace=True)
(15): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(16): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(17): ReLU(inplace=True)
(18): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(19): ReLU(inplace=True)
(20): 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)
)
)二、修改结构
1、在网络中添加一层
model.features.add_module('last_layer', nn.Conv2d(512,512, kernel_size=3, stride=1, padding=1))
print(model)2、在classifier结点添加一个线性层
model.classifier.add_module('Linear', nn.Linear(1000, 10))
print(model)3、修改网络中的某一层(features 结点举例）
model.features[8] = nn.Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
print(model)4、替换网络中的某一层结构（与第3点类似）
直接提取这个结构，重新赋值一个结构即可
import torch
import torch.nn as nn
from torchvision import models
# 创建resnet50网络
model = models.resnet50(num_classes=1000)
print(model)
fc_in_features = model.fc.in_features
model.fc = torch.nn.Linear(fc_in_features, 2, bias=True)5、提取全连接层的输入特征数和输出特征数
查看最后一层全连接的输入数量：
import torch
import torch.nn as nn
from torchvision import models
model = models.vgg11(pretrained=False)
print(model)
print(model.classifier[6].in_features)
其他的结构也类似，主要是写出结构里的参数即可。例如：全连接的in_features和out_features
6、删除网络层
使用一个空结构替换即可，即nn.Sequential()
model.classifier[6] = nn.Sequential()
print(model)或者用切片来删除（删除后4层）：
model.features = nn.Sequential(*list(model.features.children())[:-4])net.classifier 对应 net.classifier.children()
net.features 对应 net.features.children()
7、指定某一层冻结
# 冻结指定层的预训练参数
model.classifier[3].weight.requires_grad = False8、批量冻结（只训练最后一层）
import torch
import torch.nn as nn
from torchvision import models
model = models.vgg11(pretrained=False)
print(model)
for param in model.parameters():
param.requires_grad_(False)
fc_in_features = model.classifier[6].in_features
model.classifier[6] = nn.Linear(fc_in_features, 2, bias=True)9、查看哪些层冻结哪些没有
for i in model.parameters():
if i.requires_grad:
print(i)
10、加载网络权重
model.load_state_dict(torch.load('model.pth')) # 加载网络参数三、自定义数据集加载
from torch.utils.data import DataLoader, Dataset
class MyDataset(Dataset):
def __init__(self, xxxx):
super(MyDataset, self).__init__()
pass
def __len__(self):
return len(self.images)
def __getitem__(self, idx):
pass
return image, classes
