### PyTorch 中的预训练模型和常用模型结构 PyTorch 提供了一系列丰富的预训练模型以及常用的神经网络架构，这些模型大多基于 ImageNet 数据集进行了预训练，能够作为强大的特征提取器应用于各类计算机视觉任务。以下是详细的说明： #### 1. **预训练模型** PyTorch 的 `torchvision.models` 模块包含了多个经典的深度学习模型及其对应的预训练权重。这些模型已经在大规模数据集（如 ImageNet）上完成了训练，适用于迁移学习或直接应用。 - **AlexNet**: AlexNet 是早期的经典卷积神经网络之一，由 Krizhevsky 等人在 2012 年提出[^2]。 - **VGG**: VGG 系列模型（如 VGG-16 和 VGG-19）以其简单的堆叠卷积层设计而闻名，适合用于基础研究和教学[^2]。 - **ResNet**: Residual Networks (ResNets) 引入了残差连接机制，解决了深层网络中的梯度消失问题。常见的变体包括 ResNet-18、ResNet-34、ResNet-50、ResNet-101 和 ResNet-152[^2]。 - **DenseNet**: Dense Convolutional Network 通过密集连接的方式增强了特征重用能力。 - **SqueezeNet**: SqueezeNet 设计目标是在保持高精度的同时减少模型大小，非常适合资源受限环境下的部署[^2]。 - **MobileNet**: MobileNet 系列（如 MobileNet-V1 和 MobileNet-V2）专注于轻量化设计，在移动设备上有广泛应用[^2]。 - **Inception**: Inception 系列（如 GoogLeNet 和 Inception-v3/v4）利用多分支结构提高了计算效率和性能[^2]。 #### 2. **加载预训练模型的方法** 要使用这些预训练模型，可以通过以下方式实现： ```python import torchvision.models as models # 加载带有预训练权重的 ResNet-18 模型 resnet = models.resnet18(pretrained=True) # 替换最后一层全连接层以适应新的分类任务 num_ftrs = resnet.fc.in_features resnet.fc = torch.nn.Linear(num_ftrs, num_classes) ``` 如果需要导入自定义路径上的 `.pth` 权重文件，则可以按照如下方法操作[^4]: ```python import torch # 创建模型实例 model = MyModel() # 导入预训练权重 pretrained_weights_path = 'path_to_pretrained_model.pth' pretrained_weights = torch.load(pretrained_weights_path) # 将权重加载到模型中 model.load_state_dict(pretrained_weights, strict=True) ``` #### 3. **修改模型结构** 对于特定的任务需求，可能需要对预训练模型进行结构调整。例如，去掉最后几层并替换为适配新任务的模块[^5]: ```python from torchvision import models import torch.nn as nn class CustomResNet18(nn.Module): def __init__(self, num_classes=9): super(CustomResNet18, self).__init__() base_model = models.resnet18(pretrained=True) # 移除原模型的最后一部分 self.features = nn.Sequential(*list(base_model.children())[:-2]) # 添加自定义分类头 self.classifier = nn.Sequential( nn.Flatten(), nn.Linear(4 * 4 * 512, 512), nn.Dropout(0.3), nn.ReLU(), nn.Linear(512, num_classes) ) def forward(self, x): features = self.features(x) output = self.classifier(features) return output ``` 以上代码展示了如何裁剪 ResNet-18 的原始结构，并附加一个新的分类头部来满足不同的应用场景。 --- ### 总结 PyTorch 提供了多样化的预训练模型库，涵盖了从经典 CNN 到现代高效架构的各种选择。开发者可以根据具体任务灵活调整模型结构或微调其参数，从而快速构建高效的解决方案。 ---