使用pytorch搭建AlexNet操作(微调预训练模型及手动搭建)

使用PyTorch搭建AlexNet操作的完整攻略可以分为两部分：微调预训练模型和手动搭建。下面分别介绍这两个部分的具体操作过程和代码示例：

微调预训练模型

微调预训练模型旨在通过对一个已经在大型数据集上训练过的模型进行细调，来提高该模型在你自己的数据集上的表现。常见的预训练模型包括AlexNet、VGG、ResNet等。下面以AlexNet为例，介绍微调预训练模型的操作步骤和示例代码：

1. 导入预训练模型和相关包：

import torch
import torch.nn as nn
import torchvision.models as models

# 导入预训练的AlexNet模型，包含1000个输出类别
model = models.alexnet(pretrained=True)

# 将模型适配输入图像的大小
# 由于AlexNet要求输入的图像为227x227，因此需要先将图像裁剪为指定大小
transform = nn.Sequential(
    nn.Resize(256),
    nn.CenterCrop(227),
    nn.ToTensor(),
    nn.Normalize(
        mean=[0.485, 0.456, 0.406],
        std=[0.229, 0.224, 0.225]
    )
)

1. 通过修改全连接层来适配新的类别数：

# 将模型的最后一个全连接层替换为新的全连接层
# 新的全连接层包含新的输出类别数
num_classes = 10
model.classifier[6] = nn.Linear(4096, num_classes)

1. 定义损失函数和优化器：

# 采用交叉熵损失函数，优化器为随机梯度下降
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)

1. 加载数据并进行训练：

# 假设数据集已经准备好，并使用 DataLoader 进行加载
for images, labels in dataloader:
    # 对输入图像进行变换
    images = transform(images)

    # 将模型的参数梯度清零
    optimizer.zero_grad()

    # 前向传播
    outputs = model(images)

    # 计算损失
    loss = criterion(outputs, labels)

    # 反向传播
    loss.backward()

    # 更新参数
    optimizer.step()

手动搭建

手动搭建AlexNet模型的操作步骤和示例代码如下：

1. 定义卷积层和全连接层：

class AlexNet(nn.Module):
    def __init__(self, num_classes=1000):
        super(AlexNet, self).__init__()
        self.features = nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=96, kernel_size=11, stride=4),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
            nn.Conv2d(in_channels=96, out_channels=256, kernel_size=5, padding=2),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
            nn.Conv2d(in_channels=256, out_channels=384, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(in_channels=384, out_channels=384, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(in_channels=384, out_channels=256, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2)
        )
        self.avgpool = nn.AdaptiveAvgPool2d(output_size=(6, 6))
        self.classifier = nn.Sequential(
            nn.Dropout(),
            nn.Linear(in_features=256*6*6, out_features=4096),
            nn.ReLU(inplace=True),
            nn.Dropout(),
            nn.Linear(in_features=4096, out_features=4096),
            nn.ReLU(inplace=True),
            nn.Linear(in_features=4096, out_features=num_classes)
        )

1. 定义损失函数和优化器：

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)

1. 加载数据并进行训练：

# 假设数据集已经准备好，并使用 DataLoader 进行加载
for images, labels in dataloader:
    # 将图像转换为张量
    images = images.to(device)
    labels = labels.to(device)

    # 将模型的参数梯度清零
    optimizer.zero_grad()

    # 前向传播
    outputs = model(images)

    # 计算损失
    loss = criterion(outputs, labels)

    # 反向传播
    loss.backward()

    # 更新参数
    optimizer.step()

以上就是使用PyTorch搭建AlexNet操作的完整攻略，其中包含微调预训练模型和手动搭建两个部分的操作步骤和示例代码。