前言

在深度学习训练网络模型的时候我们经常会使用到迁移学习，但是别人预训练好的模型往往不能直接拿来使用，比如ResNet模型，他们最后的输出是1000个类别，那么如果我想用于10分类，或者在分割模型上怎么使用呢？

分类

我们先来看下分类的时候怎么迁移学习，以ResNet18为例。

import torch
import torch.nn as nn
import torchvision.models as models

# 加载预训练模型
model = models.resnet18(pretrained=True)

# 替换最后一层全连接层
num_classes = 10  # 输出10个类别
model.fc = nn.Conv2d(512, num_classes, kernel_size=1)
# 冻结 ResNet18 的前面部分卷积层的参数
for name, param in model.named_parameters():
    if not name.startswith('fc'):
        param.requires_grad = False
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.fc.parameters(), lr=0.001)

# 训练模型
for epoch in range(num_epochs):
    for images, labels in dataloader:
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

分割

这里就以简单的显著性分割为例(最后的输出是（B, 1, H, W）)。这里我们把全连接部分全部删除，直接让ResNet输出一个（B, 1, H, W）。

import torch
import torch.nn as nn
import torchvision.models as models

# 加载预训练模型
model = models.resnet18(pretrained=True)

# 截断全连接层
modules = list(model.children())[:-1]
model = nn.Sequential(*modules)

# 添加卷积层和上采样层
channel = 1  # 二值分割输出为单通道
model.add_module('conv', nn.Conv2d(512, 256, kernel_size=3, padding=1))
model.add_module('relu', nn.ReLU(inplace=True))
model.add_module('upsample', nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True))
model.add_module('conv_out', nn.Conv2d(256, num_channel, kernel_size=3, padding=1))

# 冻结 ResNet18 的前面部分卷积层的参数
for name, param in model.named_parameters():
    if name.startswith('0') or name.startswith('1') or name.startswith('2') or name.startswith('3'):
        param.requires_grad = False

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

for epoch in range(num_epochs):
    for images, labels in dataloader:
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

总结

在 PyTorch 中，我们可以通过以下两种方式来进行迁移学习：

• 冻结参数：我们可以冻结预训练模型的一些参数，只微调新添加的层的参数。这可以通过将参数的 requires_grad 属性设置为 False 来实现。
• 替换层：我们可以用新的层替换预训练模型的层，并且只微调新添加的层的参数。这可以通过从预训练模型中提取需要的层，并将其与新的层组合成一个新的模型来实现。