[人工智能]01.15 pytorch学习（现有网络模型的使用及修改）

pytorch中有很多已经训练好的数据集

我们以VGG为例：

可以看到VGG的训练了ImageNet图像数据集
下面代码演示（因为下载ImageNet数据集太吃力，所以演示如何修改这些已有的数据集。其余见代码注释）：

import torchvision.datasets
import torch.nn as nn

#这个数据集（ImageNet）没有提供像前面数据集的自动下载功能，因为数据集太大了（100多g），需要自己到网络上下载
#train_data = torchvision.datasets.ImageNet("./dataset3", split='train', download=True, transform=torchvision.transforms.ToTensor())

#当pretrained为True时会下载训练好的参数
VGG16_FLASE = torchvision.models.vgg16(pretrained=False)
print("FLase ok")
print(VGG16_FLASE)
#向classifier类别中添加module
#classifier就是一个名字可以理解为文件夹层次结构
#也可以不为7，字符串都可以
VGG16_FLASE.classifier.add_module('7', nn.Linear(1000,10))
print(VGG16_FLASE)
#修改classifier中下标为6的module为nn.Linear(1000,9)
VGG16_FLASE.classifier[6] = nn.Linear(1000,9)
print(VGG16_FLASE)
VGG16_TRUE = torchvision.models.vgg16(pretrained=True)
print("True ok")
print(VGG16_TRUE)

VGG（未修改）

VGG(
  (features): 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, dilation=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, dilation=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, 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, dilation=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(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=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, 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)
  )
)