10.1 Descargar modelo de red
import torchvision
#trauin_data = torchvision.datasets.ImageNet("./dataset",split="train",download=True,transform=torchvision.transforms.ToTensor()) # 这个数据集没有办法再公开的访问了
vgg16_true = torchvision.models.vgg16(pretrained=True) # 下载卷积层对应的参数是多少、池化层对应的参数时多少，这些参数时ImageNet训练好了的
vgg16_false = torchvision.models.vgg16(pretrained=False) # 没有预训练的参数
print("ok")
print(vgg16_true)resultado:
ok
VGG(
(características): Sequential(
(0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (1): ReLU(
inplace =Verdadero)
(2): Conv2d(64, 64, kernel_size=(3, 3), zancada=(1, 1), relleno=(1, 1)) (3): ReLU(inplace=Verdadero) (
4
) : MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False) (5)
: Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), relleno =(1, 1))
(6): ReLU(inplace=True)
(7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1) )
(8): ReLU(inplace=True)
(9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False)
(10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (11): ReLU(inplace=True) (12):
Conv2d
( 256, 256, tamaño_núcleo=(3, 3), zancada=(1, 1), relleno=(1, 1)) (13):
ReLU(inplace=True)
(14): Conv2d(256, 256, tamaño_núcleo= (3, 3), zancada=(1, 1), relleno=(1, 1)) (
15): ReLU(inplace=True)
(16): MaxPool2d(kernel_size=2, zancada=2, relleno=0, dilatación=1, ceil_mode=False)
(17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (18): ReLU(inplace
= Verdadero)
(19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (20): ReLU(inplace=True) (21
)
: Conv2d(512, 512, kernel_size=(3, 3), zancada=(1, 1), relleno=(1, 1))
(22): ReLU(inplace=True)
(23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False)
(24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (25): ReLU
( inplace=True)
(26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (27): ReLU(inplace=True)
(
28 ): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (29): ReLU(inplace
=True)
(30): MaxPool2d(kernel_size= 2, zancada=2, relleno=0, dilatación=1, ceil_mode=False)
)
(avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
(clasificador): Secuencial(
(0): Lineal(in_features=25088, out_features =4096, sesgo=Verdadero)
(1): ReLU(in situ=Verdadero)
(2): Abandono(p=0,5, in situ=Falso)
(3): Lineal(in_features=4096, out_features=4096, sesgo=True)
(4): ReLU(inplace=True)
(5): Abandono(p=0.5, inplace=False)
(6): Lineal(in_features=4096, out_features=1000, sesgo=True)
)
10.2 Ver uso de la función
import torchvision
help(torchvision.models.vgg16)resultado:
Ayuda sobre la función vgg16 en el módulo torchvision.models.vgg:
vgg16(pretrained:bool=False, Progress:bool=True, **kwargs:Any) -> torchvision.models.vgg.VGG
Modelo VGG de 16 capas (configuración "D ")
`"Redes convolucionales muy profundas para el reconocimiento de imágenes a gran escala" <https://arxiv.org/pdf/1409.1556.pdf>`_.
El tamaño de entrada mínimo requerido del modelo es 32x32.
Args:
preentrenado (bool): si es verdadero, devuelve un modelo previamente entrenado en ImageNet.
progreso (bool): si es verdadero, muestra una barra de progreso de la descarga a stderr.
10.3 Agregar modelo de red
import torchvision
from torch import nn
dataset = torchvision.datasets.CIFAR10("./dataset",train=True,transform=torchvision.transforms.ToTensor(),download=True)
vgg16_true = torchvision.models.vgg16(pretrained=True) # 下载卷积层对应的参数是多少、池化层对应的参数时多少，这些参数时ImageNet训练好了的
vgg16_true.add_module('add_linear',nn.Linear(1000,10)) # 在VGG16后面添加一个线性层，使得输出为适应CIFAR10的输出，CIFAR10需要输出10个种类
print(vgg16_true)resultado:
Archivos ya descargados y verificados
VGG(
(características): Sequential(
(0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (1
) : ReLU(inplace=True)
(2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (3): ReLU(inplace=True
) )
(4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False) (5):
Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(6): ReLU(inplace=True)
(7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=( 1, 1))
(8): ReLU(inplace=True)
(9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False)
(10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (11): ReLU(inplace=True) (12):
Conv2d
( 256, 256, tamaño_núcleo=(3, 3), zancada=(1, 1), relleno=(1, 1)) (13):
ReLU(inplace=True)
(14): Conv2d(256, 256, tamaño_núcleo= (3, 3), zancada=(1, 1), relleno=(1, 1)) (
15): ReLU(inplace=True)
(16): MaxPool2d(kernel_size=2, zancada=2, relleno=0, dilatación=1, ceil_mode=False)
(17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (18): ReLU(inplace
= Verdadero)
(19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (20): ReLU(inplace=True) (21
)
: Conv2d(512, 512, kernel_size=(3, 3), zancada=(1, 1), relleno=(1, 1))
(22): ReLU(inplace=True)
(23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False) (24):
Conv2d(512, 512, kernel_size=(3 , 3), zancada=(1, 1), relleno=(1, 1))
(25): ReLU(inplace=True) (
26): Conv2d(512, 512, kernel_size=(3, 3), zancada= (1, 1), relleno=(1, 1))
(27): ReLU(inplace=True)
(28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(29): ReLU(inplace=True)
(30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False) )
(
avgpool): AdaptiveAvgPool2d (output_size=(7, 7))
(clasificador): Secuencial(
(0): Lineal(in_features=25088, out_features=4096, sesgo=True)
(1): ReLU(inplace=True)
(2): Abandono(p=0.5, inplace=False)
(3): Lineal(in_features=4096, out_features=4096, sesgo=True)
(4): ReLU(inplace= Verdadero)
(5): Abandono(p=0.5, inplace=False)
(6): Lineal(in_features=4096, out_features=1000, sesgo=True)
)
(add_linear): Lineal(in_features=1000, out_features=10, sesgo =Verdadero)
)
10.4 Modificación del modelo de red
import torchvision
from torch import nn
vgg16_false = torchvision.models.vgg16(pretrained=False) # 没有预训练的参数
print(vgg16_false)
vgg16_false.classifier[6] = nn.Linear(4096,10)
print(vgg16_false)resultado:
VGG(
(características): Sequential(
(0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (1): ReLU(inplace
= Verdadero)
(2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (3): ReLU(inplace=True) (4
)
: MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False) (5)
: Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding= (1, 1))
(6): ReLU(inplace=True)
(7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(8): ReLU(inplace=True)
(9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False) (10):
Conv2d(128, 256, kernel_size=(3 , 3), zancada=(1, 1), relleno=(1, 1))
(11): ReLU(inplace=True)
(12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (13): ReLU
( inplace=True)
(14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (15): ReLU(inplace=True)
(
16 ): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False) (17)
: Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(18): ReLU(inplace=True) (
19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1 ))
(20): ReLU(inplace=True)
(21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (22)
: ReLU(in situ=Verdadero)
(23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False) (24): Conv2d(512
, 512, kernel_size=(3, 3), stride=(1, 1 ), padding=(1, 1))
(25): ReLU(inplace=True)
(26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1 , 1))
(27): ReLU(inplace=True)
(28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (
29 ): ReLU(inplace=True)
(30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False) ) (
avgpool
): AdaptiveAvgPool2d(output_size=(7, 7))
( clasificador): Secuencial (
(0): Lineal (in_features=25088, out_features=4096, sesgo=True)
(1): ReLU(inplace=True)
(2): Abandono(p=0.5, inplace=False)
(3): Lineal(in_features=4096, out_features=4096, sesgo=True)
(4): ReLU(inplace=True)
(5): Abandono(p= 0.5, inplace=False)
(6): Lineal(in_features=4096, out_features=1000, sesgo=True)
)
)
VGG(
(características): Sequential(
(0): Conv2d(3, 64, kernel_size=(3, 3 ), zancada=(1, 1), relleno=(1, 1))
(1): ReLU(inplace=True)
(2): Conv2d(64, 64, kernel_size=(3, 3), zancada=(1 , 1), padding=(1, 1))
(3): ReLU(inplace=True)
(4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False)
(5 ): Conv2d(64, 128, kernel_size=(3, 3), zancada=(1, 1), relleno=(1, 1))
(6): ReLU(inplace=True)
(7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (8): ReLU
( inplace=True)
(9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False) (10):
Conv2d(128, 256, kernel_size=(3, 3), stride= (1, 1), relleno=(1, 1))
(11): ReLU(inplace=True)
(12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(13): ReLU(inplace=True) (
14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1 ))
(15): ReLU(inplace=True)
(16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False) (17):
Conv2d(256, 512, kernel_size= (3, 3), zancada=(1, 1), relleno=(1, 1))
(18): ReLU(inplace=True)
(19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (20): ReLU
( inplace=True)
(21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (22): ReLU(inplace=True)
(
23 ): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False) (24)
: Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(25): ReLU(inplace=True)
(26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1 ))
(27): ReLU(inplace=True)
(28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (29)
: ReLU(in situ=Verdadero)
(30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilatación=1, ceil_mode=False) ) (avgpool): AdaptiveAvgPool2d(
output_size
=(7, 7))
(clasificador): Sequential(
(0) : Lineal(in_features=25088, out_features=4096, sesgo=True)
(1): ReLU(inplace=True)
(2): Abandono(p=0.5, inplace=False)
(3): Lineal(in_features=4096, out_features =4096, sesgo=Verdadero)
(4): ReLU(inplace=True)
(5): Abandono(p=0.5, inplace=False)
(6): Lineal(in_features=4096, out_features=10, sesgo=True)
)
)