Pytorch加载模型

一、使用torchvision加载模型

1.使用说明:

torchvision是PyTorch生态系统中的一个包，专门用于计算机视觉任务。它提供了一系列用于加载、处理和预处理图像和视频数据的工具，以及常用的计算机视觉模型。

torchvision.models模块包含许多常用的预训练计算机视觉模型，例如ResNet、AlexNet、VGG等分类、分割等模型。

2.使用方法:Models and pre-trained weights — Torchvision 0.18 documentation

(1)查看torchvision.models提供的全部模型

from torchvision.models import list_models
all_models = list_models()
classification_models = list_models(module=torchvision.models)
返回值是torchvisoin.models中包含的全部模型名称,是一个字符串组成的列表

(2)torchvision.models中包含的模型如下:

a.分类(classification):

AlexNet,ConvNeXt,DenseNet,EfficientNet,EfficientNetV2,GoogLeNet,Inception-V3, MaxVit, MNASNet,MobileNet-v2,MobileNet-v3,RegNet,ResNet,ResNeXt,VGG,VisionTransformer

b.语义分割(Semantic Segmentation):

DeepLabV3,FCN,LRASPP

c.目标检测(Object Detection):

Faster R-CNN,FCOS,RetinaNet,SSD,SSDlite

(3)不带有预训练权重的模型加载:

在torchvision选择对应的模型,即可查看实例化该模型的方法,以ResNet为例:

模型实例方法模型说明
resnet18(*[, weights, progress])ResNet-18 from Deep Residual Learning for Image Recognition.

resnet34(*[, weights, progress])

ResNet-34 from Deep Residual Learning for Image Recognition.

resnet50(*[, weights, progress])

ResNet-50 from Deep Residual Learning for Image Recognition.
resnet101(*[, weights, progress])ResNet-101 from Deep Residual Learning for Image Recognition.
resnet152(*[, weights, progress])ResNet-152 from Deep Residual Learning for Image Recognition.
from torchvision.models import resnet50
model = resnet50(weights=None)

(4)带有预训练权重的模型加载:

在torchvision手册中可查看每个模型包含的预训练权重，以ResNet为例:

权重全称参数量GFLOPS
ResNet101_Weights.IMAGENET1K_V144.5M7.8
ResNet101_Weights.IMAGENET1K_V244.5M7.8
ResNet152_Weights.IMAGENET1K_V160.2M11.51
ResNet152_Weights.IMAGENET1K_V260.2M11.51
ResNet18_Weights.IMAGENET1K_V111.7M1.81
ResNet34_Weights.IMAGENET1K_V121.8M3.66
ResNet50_Weights.IMAGENET1K_V125.6M4.09
ResNet50_Weights.IMAGENET1K_V225.6M4.09

具体使用:

from torchvision.models import resnet50, ResNet50_Weights
# Using pretrained weights:
model1 = resnet50(weights=ResNet50_Weights.IMAGENET1K_V1)
model2 = resnet50(weights="IMAGENET1K_V1")

二、使用torch.nn模块

1.torch.nn模块中的Containers

(1)torch.nn.Module

a.介绍:

pytorch里面一切自定义操作基本上都是继承nn.Module类来实现的;在定义自已的网络的时候需要继承nn.Module类，并重新实现构造函数__init__构造函数和forward这两个方法;

一般把网络中具有可学习参数的层（如全连接层、卷积层等）放在构造函数__init__()中;当然也可以把不具有可学习参数的层也放在里面，但是通常情况下在forward方法里面可以使用nn.functional来代替;

forward方法是必须要重写的，它是实现模型的功能，实现各个层之间的连接关系的核心;所有放在构造函数__init__里面的层的都是这个模型的固有属性

b.主要方法和成员变量:

一、成员变量:
1.training(bool):判断当前的模型处于训练(true)还是推断(false)模式
二、成员方法:
1.add_module(name, module):
(1)用法:
将一个子module添加到当前的module中,并赋予相应的名字name,该子module便可以像调用属性一样被调用
(2)参数:
a.name(str):子模型被赋予的名称
b.module(Module):被添加的子模型
2.apply(fn)
(1)用法:
将函数fn作用在该模型的每一个子模型和该模型自己上,常用于参数的初始化
(2)参数:
a.fn(Module -> None):作用于每一个模块的函数名;
用于初始化参数;接受参数类型是一个Module类型的参数;需要提前定义
3.children()
(1)用法:
返回当前Module的子module组成的列表
4.cpu()
(1)用法:
将当前Module和其子Module的参数迁移到CPU上
5.cuda(device=None)
(1)用法:
将当前Module和其子Module的参数迁移到指定的GPU设备上
(2)参数:
a.device(int, optional):指定需要迁移的GPU设备编号
6.eval():
(1)用法:
将模型设置为eval状态;只对某些特定的模块有实际效果;效果等同于self.train(False)
7.forward(*input)
(1)用法:
定义了每次调用时指定的计算方法;应该被每个子类所重写,以代表不同的操作;
调用时直接通过实例名称调用即可，例如:output = model1(input);而不需要通过.forward的方法调用
(2)参数:
a.input(tensor):需要进行操作的张量
8.get_parameter(target)
(1)用法:
获取指定参数target所确定的参数,返回类型为torch.nn.Parameter
(2)参数:
a.target(str):所指定参数的名称,字符串类型
9.get_submodule(target)
(1)用法:
获取指定参数target所确定的子模块,返回类型为torch.nn.Module
(2)参数:
a.target(str):所指定子模块的名称,是字符串类型;
10.load_state_dict(state_dict, strict=True, assign=False)
(1)用法:
将参数state_dict所包含的参数值加载到该模型中;
返回值是可能缺失的参数名称或模型不包含的参数名称组成的列表
(2)参数:
a.state_dict(dict):包含参数的名称和对应状态(值、类型、所属设备)的字典;
b.strict(bool, optional):参数state_dict所包含的键的名称是否需要严格遵守该模型state_dict()返回的值,默认值为True;
11.modules()
(1)用法:
获取该网络模型中的全部module组成的迭代器
12.parameters(recurse=True)
(1)用法:
获取该网络模型中的全部参数组成的迭代器;通常传递给optimizer
(2)参数:
a.recurse(bool):为True时递归的返回该网络模型中的全部参数,包括子模块和本模块;
否则只返回该网络模型中的直接参数而不返回子参数;
13.requires_grad_(requires_grad=True)
(1)用法:
用于修改autograd操作是否记录该module中参数上的梯度
该方法可以用于设置参数的requires_grad属性
可以用于指定梯度更新时变化的参数范围
(2)参数:
a.requires_grad(bool):autograd操作是否记录该module中的参数上的梯度值;默认值为true
14.state_dict(*, prefix: str = '', keep_vars: bool = False)
(1)用法:
返回一个包含该module全部状态的字典;包括该module的参数;其中key为参数的名称;
返回值类型为Dict[str, Any]
(2)主要参数:
a.prefix(str, optional):添加到输出字典的key的前缀字符串,默认值为空字符串. 
15.to(device, dtype, non_blocking) 
(1)用法:
将该module的参数转换为指定的类型并迁移到指定的设备上
(2)主要参数:
a.device(torch.device):需要迁移的设备名称
b.dtype (torch.dtype):需要转换的数据类型;只能接受浮点或复数类型;
16.train(mode=True)
(1)用法:
将模型设置为train状态;只对某些特定的模块有实际效果;
(2)主要参数:
a.mode(bool):是否将模型设置为训练模式

c.使用实例:

import torch.nn as nn
import torch.nn.functional as Fclass Model(nn.Module):def __init__(self):super(Model, self).__init__()self.conv1 = nn.Conv2d(1, 20, 5) # submodule: Conv2dself.conv2 = nn.Conv2d(20, 20, 5)def forward(self, x):x = F.relu(self.conv1(x))return F.relu(self.conv2(x))

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/pingmian/34247.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【IEEE独立出版、有确定的ISBN号】第三届能源与电力系统国际学术会议 (ICEEPS 2024)

【IEEE独立出版、有确定的ISBN号】第三届能源与电力系统国际学术会议 (ICEEPS 2024)

第三届能源与电力系统国际学术会议 (ICEEPS 2024) 2024 3rd International Conference on Energy and Electrical Power Systems 连续2届会后4-5个月EI检索，检索稳定！ 成功申请IEEE出版！ 特邀院士、Fellow 报告！ 一、大会信息 …
阅读更多...
关于sum+=1与sum=sum+1的关系（C语言）

关于sum+=1与sum=sum+1的关系（C语言）

一、sum 1;与sum sum 1;是相等的&#xff0c;运算结果相等&#xff1b; 二、用一段代码说明&#xff1b; # define _CRT_SECURE_NO_WARNINGS #include <stdio.h>int main() {//初始变量值&#xff1b;int n1 1;int n2 1;//输出&#xff1b;printf("运算前的n…
阅读更多...
防止在 Qt 中触发信号

防止在 Qt 中触发信号

在 Qt 中工作时&#xff0c;有时我们需要暂时阻止某些信号的触发。以下是一个经典场景&#xff1a;我们有一个 QCheckBox 对象&#xff0c;当用户勾选或取消勾选时&#xff0c;需要调用一个函数&#xff0c;因此我们将这个函数连接到 stateChanged(int state) 信号。然而&#…
阅读更多...
华媒舍：5种中国台湾媒体发稿套餐推广策略大汇聚！

华媒舍：5种中国台湾媒体发稿套餐推广策略大汇聚！

在当代商业时代中&#xff0c;推广策略针对企业的成功尤为重要。中国台湾作为一个经济发展发达的地区&#xff0c;有着繁盛新闻媒体产业链&#xff0c;为企业提供了各种各样发稿套餐来推广其产品与服务。下面我们就详细介绍5种中国台湾媒体发稿套餐推广策略&#xff0c;助力企业…
阅读更多...
仓库管理系统03--设计登录页面

仓库管理系统03--设计登录页面

1、添加登录窗体 2、整体布局UI 1&#xff09;设计三个白底的边框&#xff0c;其中2个旋转角度&#xff0c;形成以下效果 3、设计登录控件 <Window x:Class"West.StoreMgr.Windows.LoginWindow"xmlns"http://schemas.microsoft.com/winfx/2006/xaml/presenta…
阅读更多...
【Windows】“ONLYOFFICE 桌面编辑器 8.1 新特性大揭秘：全新 PDF 编辑器、幻灯片版式和更多更新“

【Windows】“ONLYOFFICE 桌面编辑器 8.1 新特性大揭秘：全新 PDF 编辑器、幻灯片版式和更多更新“

【Windows】“ONLYOFFICE 桌面编辑器 8.1 新特性大揭秘&#xff1a;全新 PDF 编辑器、幻灯片版式和更多更新” 大家好 我是寸铁&#x1f44a; 【Windows】“ONLYOFFICE 桌面编辑器 8.1 新特性大揭秘&#xff1a;全新 PDF 编辑器、幻灯片版式和更多更新”✨ 喜欢的小伙伴可以点点…
阅读更多...
精准时刻，掌控未来：解锁新一代PCIe时钟板卡！

精准时刻，掌控未来：解锁新一代PCIe时钟板卡！

在当今高度互联和精确度要求极高的技术环境中&#xff0c;时间同步与精确计时显得尤为重要。为了满足行业对高精度时间管理的不断增长的需求&#xff0c;我们自豪地推出铷原子时钟板卡和高精度时钟同步板卡。这两款创新板卡结合了先进的技术和卓越的性能&#xff0c;为各类应用…
阅读更多...
TCP/IP 在 Linux 内核中的实现

TCP/IP 在 Linux 内核中的实现

之前出了一个python的socket编程的文章&#xff0c;里面讲的是怎么进行socket编程。最近想到TCP/IP协议的原理&#xff0c;然后查阅资料后说是在操作系统级别实现的&#xff0c;python的socket模块只是一个接口。 本文就来谈一下Linux源码里实现TCP/IP协议簇的源代码在哪里&am…
阅读更多...
C++ 图像处理

C++ 图像处理

OpenCV提供了丰富的图片处理功能。以下是一些常见的图片处理方式的C示例代码&#xff1a; #include <opencv2/opencv.hpp> #include <iostream> int main() { // 读取图片 cv::Mat img cv::imread("example.jpg"); // 检查图片是否成功读取 if …
阅读更多...
域名注册成功后能删除吗？

域名注册成功后能删除吗？

域名注册成功后&#xff0c;很多用户可能会有这样的疑问&#xff1a;如果不再需要这个域名&#xff0c;能否将其删除?这个问题的答案取决于多个因素&#xff0c;包括域名的注册政策、使用期限以及注册商的规定。本文将探讨域名注册成功后的删除问题&#xff0c;帮助用户更好地…
阅读更多...
巧用SOLIDWORKS进行复杂曲面模型的实体建模

巧用SOLIDWORKS进行复杂曲面模型的实体建模

SOLIDWORKS正版软件有实体建模、曲面建模、钣金建模、焊件建模、模具建模等多种建模方式&#xff0c;每种建模方式都有独特的使用环境和场景&#xff0c;如果能灵活使用这些建模命令&#xff0c;就可以起到事半功倍的效果。 如上图所示的模型&#xff0c;通过观察和分析&#x…
阅读更多...
1992-2023年全国及31省人均地区生产总值/人均GDP数据（无缺失）

1992-2023年全国及31省人均地区生产总值/人均GDP数据（无缺失）

1992-2023年全国及31省人均地区生产总值/人均GDP数据&#xff08;无缺失&#xff09; 1、时间&#xff1a;1992-2023年 2、来源&#xff1a;国家统计局、各省年鉴 3、指标&#xff1a;人均国内生产总值/人均GDP 4、范围&#xff1a;全国及31省 5、缺失情况&#xff1a;无缺…
阅读更多...
中介子方程三十一

中介子方程三十一

XXFXXuXXWXXuXXdXXrXXαXXuXpXXdXXpXuXXαXXrXXdXXuXWXπXXWXeXyXeXbXπXpXXNXXqXeXXrXXαXXuXpXXdXXpXuXXαXXrXXeXqXXNXXpXπXbXeXyXeXWXXπXWXuXXdXXrXXαXXuXpXXdXXpXuXXαXXrXXdXXuXXWXXuXXFXXEXXyXXEXXrXXαXXuXpXXdXXpXuXXαXXrXXEXXyXXαXiXXαXiXrXkXtXyXXpXVXXdXuXWX…
阅读更多...
什么是测试自动化?意义、方法、方法论、工具和收益

什么是测试自动化?意义、方法、方法论、工具和收益

测试自动化使用软件和脚本来自动测试程序&#xff0c;使测试更快、更有效。本文将了解测试自动化的基本原理、方法、工具、好处和挑战。 测试自动化被定义为软件开发中用于自动执行测试的技术。 它包括编写脚本或使用专门的软件工具来自动执行测试&#xff0c;而无需人工干预。…
阅读更多...
【杂记-浅谈LSA链路状态通告】

【杂记-浅谈LSA链路状态通告】

浅谈LSA链路状态通告 一、LSA链路状态通告概述二、LSA的作用三、LSA的类型和使用场景 一、LSA链路状态通告概述 LSA&#xff0c;Link State Advertisement&#xff0c;链路状态通告&#xff0c;是OSPF协议中的一个核心组件&#xff0c;用于在路由器之间交换链路状态信息。LSA包…
阅读更多...
Spring Boot 和 Spring Framework 的区别是什么?

Spring Boot 和 Spring Framework 的区别是什么?

SpringFramework和SpringBoot都是为了解决在Java开发过程中遇到的各种问题而出现的。了解它们之间的差异&#xff0c;能够更好的帮助我们使用它们。 SpringFramework SpringFramework是一个开源的Java平台&#xff0c;它提供了一种全面的架构和基础设施来支持Java应用程序的开…
阅读更多...
ffmpeg的安装教程

ffmpeg的安装教程

1.官网下载ffmpeg 进入Download FFmpeg网址&#xff0c;点击下载windows版ffmpeg&#xff08;点击左下第一个绿色的行&#xff09; 在release builds第一个绿框里面选择一个版本下载。 2.配置 下载完成后解压该压缩包单击进入ffmpeg\bin&#xff0c;会出现如下界面&#xff1…
阅读更多...
【华为OD机试】最小调整顺序次数 / 特异性双端队列（C++ Java JavaScript Python ）

【华为OD机试】最小调整顺序次数 / 特异性双端队列（C++ Java JavaScript Python ）

题目 题目描述 有一个特异性的双端队列，该队列可以从头部或尾部添加数据，但是只能从头部移出数据。 小A依次执行2n个指令往队列中添加数据和移出数据。其中n个指令是添加数据（可能从头部添加、也可能从尾部添加），依次添加1到n；n个指令是移出数据。 现在要求移除数据的顺序…
阅读更多...
【XCharts插件】3-1、制作图表及代码生成图表（v1.0）

【XCharts插件】3-1、制作图表及代码生成图表（v1.0）

推荐阅读 CSDN主页GitHub开源地址Unity3D插件分享简书地址QQ群：398291828大家好，我是佛系工程师☆恬静的小魔龙☆，不定时更新Unity开发技巧，觉得有用记得一键三连哦。 一、前言 XCharts插件是一款基于UGUI的功能强大、易用、参数可配置的数据可视化图表插件。 【Unity3D…
阅读更多...
Axios发送ajax请求

Axios发送ajax请求

}, // 请求体参数 data: { username: ‘admin’, password: ‘admin’ } }).then(response>{ // 响应状态码 console.log(response.status); // 响应状态字符串 console.log(response.statusText); // 响应头信息 console.log(response.headers); // 响应体 c…
阅读更多...
最新文章

Copyright @ 2022~2023