基于pytorch的精细预训练卷积神经网络
cnn-finetune的Python项目详细描述
用pytorch微调预训练卷积神经网络。
功能
- 允许访问在ImageNet上预先训练过的最流行的CNN架构。
- 自动替换网络顶部的分类器，这允许您使用具有不同数量类的数据集来训练网络。
- 允许您使用任何分辨率的图像（不仅是用于在ImageNet上训练原始模型的分辨率）。
- 允许添加退出层或自定义池层。
支持的体系结构和模型
来自torchvision包：
- resnet（
resnet18，resnet34，resnet50，resnet101，resnet152） - resnext（
resnext50_32x4d，resnext101_32x8d） - densenet（
densenet121，densenet169，densenet201，densenet161） - 初始v3（
inception_v3） - vgg（
vgg11，vgg11_bn，vgg13，vgg13_bn，vgg16，vgg16_bn，vgg19，vgg19_bn） - 挤压网（
squeezenet1_0，squeezenet1_1） - mobilenet v2（
mobilenet_v2） - shufflenet v2（
shufflenet_v2_x0_5，shufflenet_v2_x1_0） - AlexNet（
alexnet） - 谷歌网（
googlenet）
来自Pretrained models for PyTorch包：
- resnext（
resnext101_32x4d，resnext101_64x4d） - nasnet-a大型（
nasnetalarge） - NASNET-A移动电话（
nasnetamobile） - 初始resnet v2（
inceptionresnetv2） - 双路径网络（
dpn68，dpn68b，dpn92，dpn98，dpn131，dpn107） - 初始v4（
inception_v4） - 异常（
xception） - 挤压和激发网络（
senet154，se_resnet50，se_resnet101，se_resnet152，se_resnext50_32x4d，se_resnext101_32x4d） - PNASnet-5-大（^{
}） - 波利尼特（
polynet）
要求
- Python3.5+
- 喷灯1.1+
安装
pip install cnn_finetune
主要变化：
版本0.4
make_model中pretrained参数的默认值从False更改为True。现在callmake_model('resnet18', num_classes=10)等于make_model('resnet18', num_classes=10, pretrained=True)
示例用法：
制作10个类的图像净重模型
from cnn_finetune import make_model
model = make_model('resnet18', num_classes=10, pretrained=True)
制作带有辍学的模型
model = make_model('nasnetalarge', num_classes=10, pretrained=True, dropout_p=0.5)
创建一个具有全局最大池而不是全局平均池的模型
import torch.nn as nn
model = make_model('inceptionresnetv2', num_classes=10, pretrained=True, pool=nn.AdaptiveMaxPool2d(1))
制作一个可拍摄256x256像素图像的vgg16模型
make_model中pretrained参数的默认值从False更改为True。现在callmake_model('resnet18', num_classes=10)等于make_model('resnet18', num_classes=10, pretrained=True)from cnn_finetune import make_model
model = make_model('resnet18', num_classes=10, pretrained=True)
model = make_model('nasnetalarge', num_classes=10, pretrained=True, dropout_p=0.5)
创建一个具有全局最大池而不是全局平均池的模型
import torch.nn as nn
model = make_model('inceptionresnetv2', num_classes=10, pretrained=True, pool=nn.AdaptiveMaxPool2d(1))
制作一个可拍摄256x256像素图像的vgg16模型
vgg和alexnet模型使用完全连接的层，因此必须另外传递图像的输入大小 在构建新模型时。此信息用于确定完全连接层的输入大小。
model = make_model('vgg16', num_classes=10, pretrained=True, input_size=(256, 256))
制作一个vgg16模型，该模型拍摄256x256像素大小的图像并使用自定义分类器
import torch.nn as nn
def make_classifier(in_features, num_classes):
return nn.Sequential(
nn.Linear(in_features, 4096),
nn.ReLU(inplace=True),
nn.Linear(4096, num_classes),
)
model = make_model('vgg16', num_classes=10, pretrained=True, input_size=(256, 256), classifier_factory=make_classifier)
显示用于在ImageNet上训练原始模型的预处理
>> model = make_model('resnext101_64x4d', num_classes=10, pretrained=True)
>> print(model.original_model_info)
ModelInfo(input_space='RGB', input_size=[3, 224, 224], input_range=[0, 1], mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
>> print(model.original_model_info.mean)
[0.485, 0.456, 0.406]
CIFAR10示例
>> model = make_model('resnext101_64x4d', num_classes=10, pretrained=True)
>> print(model.original_model_info)
ModelInfo(input_space='RGB', input_size=[3, 224, 224], input_range=[0, 1], mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
>> print(model.original_model_info.mean)
[0.485, 0.456, 0.406]
请参阅examples/cifar10.py文件（需要pytorch 1.1+）。
欢迎加入QQ群-->： 979659372
