微调VGG时出错

Question

我一直在关注Pythorch官方文档（http://pytorch.org/tutorials/beginner/transfer_learning_tutorial.html）中的蚂蚁和蜜蜂转移学习教程。我正试图通过改变最后一层来预测两个类中的一个来优化VGG19模型。我可以使用以下代码修改最后一个fc层。在

但是我在执行train_model函数时遇到了一个错误。错误是“在/opt/conda/conda bld/pytorch_1513368888240/work/torch/lib/THC/generic处的大小不匹配/THC传感器布拉斯铜：243”. 知道是什么问题吗？在

model_conv = torchvision.models.vgg19(pretrained=True)
for param in model_conv.parameters():
    param.requires_grad = False

model_conv = nn.Sequential(*list(model_conv.classifier.children())[:-1] +
                     [nn.Linear(in_features=4096, out_features=2)])
if use_gpu:
    model_conv = model_conv.cuda()

criterion = nn.CrossEntropyLoss()

optimizer_conv = optim.SGD(model_conv._modules['6'].parameters(), lr=0.001, momentum=0.9)
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_conv, step_size=7, gamma=0.1)

model_conv = train_model(model_conv, criterion, optimizer_conv, exp_lr_scheduler, num_epochs=25)

Answer 1

当您定义模型时，您只考虑classifier，它只包含在网络的完全连接部分上。然后，当将224*224*3图像输入模型时，它会尝试“穿过”一个线性层，其中25K个特征作为输入。要解决这个问题，您只需在之前添加卷积部分，为此，请按如下方式重新定义模型：

class newModel(nn.Module):
    def __init__(self, old_model):
        super(newModel, self).__init__()

        self.features = old_model.features
        self.classifier = nn.Sequential(*list(old_model.classifier.children())[:-1] +
                                         [nn.Linear(in_features=4096, out_features=2)])

    def forward(self, x):
        x = self.features(x)
        x = x.view(x.size(0), -1)
        x = self.classifier(x)
        return x

model_conv = newModel(model_conv)

现在，您只需告诉要优化的参数，如果您只想训练最后一个层（新添加的层），请执行以下操作：

^{pr2}$

其余代码保持不变。在

希望有帮助！在