pytorch——现有网络模型的使用和修改

        以VGG网络为例，在Docs中，选择图像相关的torchvision，左侧的torchvision.models是一些现成的网络模型，右侧是网络模型的一个分类，第一个便是和分类有关的模型。

        vgg最常用的就是vgg16和vgg19：

        参数pretrained如果为True，则模型中的参数使用现有的已经在ImageNet数据集中训练完成的，若为False，则参数没有经过任何训练，process若为True，则会显示一个下载进度条。

         需要scipy包才可以安装，root就是路径，split是选择是训练集还是测试集，transform对PIL形式转化，target_transform对目标进行转化，loader在加载数据集时使用。

train_data = torchvision.datasets.ImageNet("./data_ImageNet", split="train", download=True, transform=torchvision.transforms.ToTensor())

 如果使用这种方式下载时，会报错：

RuntimeError: The dataset is no longer publicly accessible. You need to download the archives externally and place them in the root directory.

        现在数据集不再公开访问，要下载好数据集然后放在目录中。从网上搜就好，训练集大小有100多个G。

        我们直接加载模型：

import torchvision

vgg16_False = torchvision.models.vgg16(pretrained=False)#progress默认为True
vgg16_True = torchvision.models.vgg16(pretrained=True)

查看两个模型的参数：

vgg16_False:

vgg16_True:

设置为False时，参数是初始默认的数值，为True时，参数已经经过训练，可以得到很好的效果。打印一下训练好的网络模型：

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):...

观察最后一层：

Linear(in_features=4096, out_features=1000, bias=True)

输出有1000个，该网络是一个分类模型，可知最终有1000个类。之前博客中提到的CIFAR10数据集将图片分为了10个类，可以将vgg16最后的线性层1000改为10，或者重新加一个线性层，输入1000，输出10。

vgg16_True.add_module('add_linear', nn.Linear(1000, 100))

查看add_module源码：

    def add_module(self, name: str, module: Optional['Module']) -> None:
        r"""Adds a child module to the current module.

        The module can be accessed as an attribute using the given name.

        Args:
            name (string): name of the child module. The child module can be
                accessed from this module using the given name
            module (Module): child module to be added to the module.
        """

name是新添层的名字，module就是新添加的层。新网络为：

...

  (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)
  )
  (add_linear): Linear(in_features=1000, out_features=100, bias=True)

如果想添加到classifier中，修改为：

vgg16_True.classifier.add_module('add_linear', nn.Linear(1000, 100))

 如果想将最后一个Linear4096输入，1000输出修改为4096输入10输出：

vgg16_True.classifier[6] = nn.Linear(4096, 10)

（因为最后一层在classifier中，并且序号为6）