如何在PyTorch中使用预训练的模型进行迁移学习

在PyTorch中使用预训练的模型进行迁移学习可以通过以下步骤实现：

加载预训练模型：首先，使用torchvision.models模块中提供的预训练模型来加载已经训练好的模型，例如ResNet、VGG等。

import torchvision.models as models# Load pre-trained ResNet-50 modelmodel = models.resnet50(pretrained=True)

修改模型的最后一层：由于迁移学习通常涉及到不同的任务，需要将预训练模型的最后一层替换为新的全连接层，以适应新的任务要求。

import torch.nn as nn# Modify the last layer of the modelnum_ftrs = model.fc.in_featuresmodel.fc = nn.Linear(num_ftrs, num_classes) # num_classes为新任务的类别数

设置优化器和损失函数：根据新任务的要求设置优化器和损失函数。

import torch.optim as optimcriterion = nn.CrossEntropyLoss()optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

训练模型：使用新的数据集对模型进行训练。

# 训练代码

通过以上步骤，您可以在PyTorch中使用预训练的模型进行迁移学习。

上一篇：PyTorch中的蒸馏训练是什么

下一篇：如何在PyTorch中构建神经网络模型