使用Pytorch提供的标准网络结构训练Cifar10模型

携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第28天，点击查看活动详情

前言

在之前的文章中，我们介绍了如何去自定义去完成关于ResNet这样的网络结构，VGGNet这样的网络结构，MobileNet这样的网络结构，以及Inception这样不同的四大类结构。实际上，在Pytorch中提供了非常多的已经定义好的模型，这些模型也是目前来说比较标准的网络结构，我们经常会利用这些标准的网络结构去作为我们的预训练的模型，这样就可以节省很多的工作，就不需要自己去自定义模型结构。

今天，我们通过调用Pytorch提供的标准网络ResNet18来完成Cifar10模型的训练。

• 1.1 调用Pytorch提供的标准网络

相比于之前自定义的网络结构，使用Pytorch提供的标准网络的代码量是比较少的，如果不需要对网络结构进行自己定义或者进行模型压缩、裁剪等操作的时候，推荐大家使用Pytorch提供的标准网络结构。

import torch.nn as nn
from torchvision import models

class resnet18(nn.Module):
    def __init__(self):
        super(resnet18, self).__init__()
        self.model = models.resnet18(pretrained=True)
        # 这里主要用来解决cifar10，需要修改类别数
        self.num_features = self.model.fc.in_features
        self.model.fc = nn.Linear(self.num_features, 10)

    def forward(self, x):
        out = self.model(x)

        return out


def pytorch_resnet18():
    return resnet18()

注：cifar10数据训练的代码参考我之前的文章Pytorch——Cifar10图像分类中的训练模型的代码，只需要修改一下net即可。

在进行cifar10的数据训练，可以看到在第一个epoch之后，准确率到了26%，并且整个网络是处于收敛过程中的，如果需要使用其它的网络结构的时候，也可以利用这个模板来调用其他的模型。