【迁移学习】

1 迁移学习的思路

迁移学习的思路是利用预训练模型的卷积部分（卷积基）提取数据集的图片特征，然后重新练最后的全连接部分（分类器），迁移学习的特征提取部分（卷积基）不能发生变化。

2 迁移学习的步骤

迁移学习的思路有3步：
（1）冻结预训练模型的卷积基
（2）根据问题重新设置分类器，如需要分2类，则out_features=2
（3）用自己的数据训练设置好的分类器，注意：只优化分类器参数

3 具体步骤

torchvision提供了可以加载的预训练模型：

alexnet
convnex
densenet
efficientnet
feature_extraction
googlenet
inception
mnasnet
mobilenet
mobilenetv2
mobilenetv3
regnet

使用代码：

import torchvision
方法1：
model = torchvision.models.vgg16(pretrained=True)	# pretrained=True表式仅仅加载网络结构，而不加载网络参数
# 方法2
model = models.vgg16(weights= models.VGG16_Weights.DEFAULT)
print(model)

输出如下：

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): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
...
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
  )
)

冻结卷积基的参数，避免模型参数被破坏，准确率下降

for param in model.features.parameters():
    param.requires_grad = False

model.classifier[-1].out_features = 4	# 4分类

model = model.to(device)	# 模型传入型芯片，一般GPU上
loss_fn = nn.CrossEntropyLoss()	#根据具体问题自定义
optimizer = torch.optim.Adam(model.classifier.parameters(), lr=0.0001)	#注意这里只优化分类器参数

....接训练代码