快捷導(dǎo)航

使用pytorch搭建AlexNet操作(微調(diào)預(yù)訓(xùn)練模型及手動(dòng)搭建)

更新時(shí)間：2020年01月18日 16:14:58 作者：sjtu_leexx

今天小編就為大家分享一篇使用pytorch搭建AlexNet操作(微調(diào)預(yù)訓(xùn)練模型及手動(dòng)搭建)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧

本文介紹了如何在pytorch下搭建AlexNet，使用了兩種方法，一種是直接加載預(yù)訓(xùn)練模型，并根據(jù)自己的需要微調(diào)（將最后一層全連接層輸出由1000改為10），另一種是手動(dòng)搭建。

構(gòu)建模型類的時(shí)候需要繼承自torch.nn.Module類，要自己重寫__ \_\___init__ \_\___方法和正向傳遞時(shí)的forward方法，這里我自己的理解是，搭建網(wǎng)絡(luò)寫在__ \_\___init__ \_\___中，每次正向傳遞需要計(jì)算的部分寫在forward中，例如把矩陣壓平之類的。

加載預(yù)訓(xùn)練alexnet之后，可以print出來查看模型的結(jié)構(gòu)及信息：

model = models.alexnet(pretrained=True)
print(model)

分為兩個(gè)部分，features及classifier，后續(xù)搭建模型時(shí)可以也寫成這兩部分，并且從打印出來的模型信息中也可以看出每一層的引用方式，便于修改，例如model.classifier[1]指的就是Linear(in_features=9216, out_features=4096, bias=True)這層。

下面放出完整的搭建代碼：

import torch.nn as nn
from torchvision import models

class BuildAlexNet(nn.Module):
  def __init__(self, model_type, n_output):
    super(BuildAlexNet, self).__init__()
    self.model_type = model_type
    if model_type == 'pre':
      model = models.alexnet(pretrained=True)
      self.features = model.features
      fc1 = nn.Linear(9216, 4096)
      fc1.bias = model.classifier[1].bias
      fc1.weight = model.classifier[1].weight
      
      fc2 = nn.Linear(4096, 4096)
      fc2.bias = model.classifier[4].bias
      fc2.weight = model.classifier[4].weight
      
      self.classifier = nn.Sequential(
          nn.Dropout(),
          fc1,
          nn.ReLU(inplace=True),
          nn.Dropout(),
          fc2,
          nn.ReLU(inplace=True),
          nn.Linear(4096, n_output)) 
      #或者直接修改為
#      model.classifier[6]==nn.Linear(4096,n_output)
#      self.classifier = model.classifier
    if model_type == 'new':
      self.features = nn.Sequential(
          nn.Conv2d(3, 64, 11, 4, 2),
          nn.ReLU(inplace = True),
          nn.MaxPool2d(3, 2, 0),
          nn.Conv2d(64, 192, 5, 1, 2),
          nn.ReLU(inplace=True),
          nn.MaxPool2d(3, 2, 0),
          nn.Conv2d(192, 384, 3, 1, 1),
          nn.ReLU(inplace = True),
          nn.Conv2d(384, 256, 3, 1, 1),
          nn.ReLU(inplace=True),
          nn.MaxPool2d(3, 2, 0))
      self.classifier = nn.Sequential(
          nn.Dropout(),
          nn.Linear(9216, 4096),
          nn.ReLU(inplace=True),
          nn.Dropout(),
          nn.Linear(4096, 4096),
          nn.ReLU(inplace=True),
          nn.Linear(4096, n_output))
      
  def forward(self, x):
    x = self.features(x)
    x = x.view(x.size(0), -1)
    out = self.classifier(x)
    return out

微調(diào)預(yù)訓(xùn)練模型的思路為：直接保留原模型的features部分，重寫classifier部分。在classifier部分中，我們實(shí)際需要修改的只有最后一層全連接層，之前的兩個(gè)全連接層不需要修改，所以重寫的時(shí)候需要把這兩層的預(yù)訓(xùn)練權(quán)重和偏移保留下來，也可以像注釋掉的兩行代碼里那樣直接引用最后一層全連接層進(jìn)行修改。

網(wǎng)絡(luò)搭好之后可以小小的測(cè)試一下以檢驗(yàn)維度是否正確。

import numpy as np
from torch.autograd import Variable
import torch

if __name__ == '__main__':
  model_type = 'pre'
  n_output = 10
  alexnet = BuildAlexNet(model_type, n_output)
  print(alexnet)
  
  x = np.random.rand(1,3,224,224)
  x = x.astype(np.float32)
  x_ts = torch.from_numpy(x)
  x_in = Variable(x_ts)
  y = alexnet(x_in)

這里如果不加“x = x.astype(np.float32)”的話會(huì)報(bào)一個(gè)類型錯(cuò)誤，感覺有點(diǎn)奇怪。

輸出y.data.numpy()可得10維輸出，表明網(wǎng)絡(luò)搭建正確。

以上這篇使用pytorch搭建AlexNet操作(微調(diào)預(yù)訓(xùn)練模型及手動(dòng)搭建)就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: