Finetune(微调) 和 Fixed Feature Extractor(固定特征提取器) 确实有相似之处,但它们的关键区别在于模型参数的调整范围和任务的相似性。
区别:
Finetune(微调):
所有层都参与训练:在Finetune中,预训练模型的所有层都会参与训练。虽然我们使用预训练权重进行初始化,但训练过程中会根据新任务的数据对模型参数进行更新。
适用于相似任务:Finetune 适合原始任务和新任务有较大相似性的情况。比如,如果预训练模型在 ImageNet(自然图片)上训练过,用它来处理另一个自然图片的分类任务,Finetune 的效果往往很好。
import torch
import torch.nn as nn
import torchvision.models as models
import torch.optim as optim
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
# 1. 加载预训练的 ResNet50 模型
model = models.resnet50(pretrained=True)
# 2. 修改最后的全连接层,适配新任务(假设新任务有10个类别)
model.fc = nn.Linear(model.fc.in_features, 10) # in_features 为 ResNet50 的全连接层输入维度
# 3. 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
# 4. 加载数据集(例如,CIFAR-10 数据集)
transform = transforms.Compose([
transforms.Resize((224, 224)), # ResNet50 需要 224x224 的输入尺寸
transforms.ToTensor(),
])
train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
# 5. 训练模型
model.train() # 设置为训练模式
for epoch in range(10): # 假设训练10个 epoch
running_loss = 0.0
for inputs, labels in train_loader:
optimizer.zero_grad() # 清除梯度
outputs = model(inputs) # 前向传播
loss = criterion(outputs, labels) # 计算损失
loss.backward() # 反向传播
optimizer.step() # 更新模型参数
running_loss += loss.item()
print(f"Epoch {epoch+1}, Loss: {running_loss/len(train_loader)}")
# 6. 模型训练完成后保存
torch.save(model.state_dict(), "finetuned_resnet50.pth")
Fixed Feature Extractor(固定特征提取器):
仅微调最后几层:在这种方法中,预训练模型的大部分层是被冻结的,只有最后的几层(通常是全连接层)参与训练。这种方式把前几层看作一个固定的特征提取器,用来提取图片的高层次特征,而只在最后的几层上根据新任务进行训练。
适用于不同的任务:这种方法适合原始任务和新任务差异较大的情况,因为你可能只是需要使用预训练模型提取的通用特征,而不需要修改整个模型。
import torch
import torch.nn as nn
import torchvision.models as models
import torch.optim as optim
# 1. 加载预训练的 ResNet50 模型
model = models.resnet50(pretrained=True)
# 2. 冻结前几层参数,使得它们不参与训练
for param in model.parameters():
param.requires_grad = False
# 3. 替换最后的全连接层,适应新的任务 (假设是10类分类任务)
model.fc = nn.Sequential(
nn.Linear(model.fc.in_features, 256), # 添加一层全连接层
nn.ReLU(),
nn.Dropout(0.4),
nn.Linear(256, 10), # 最后输出10个类别
)
# 4. 只训练新的全连接层
optimizer = optim.Adam(model.fc.parameters(), lr=0.001)
# 5. 训练模型
criterion = nn.CrossEntropyLoss()
# 假设有一个训练数据集 train_loader
for epoch in range(10):
running_loss = 0.0
for inputs, labels in train_loader:
optimizer.zero_grad() # 清除梯度
outputs = model(inputs) # 前向传播
loss = criterion(outputs, labels) # 计算损失
loss.backward() # 反向传播
optimizer.step() # 更新模型参数
running_loss += loss.item()
print(f"Epoch {epoch+1}, Loss: {running_loss/len(train_loader)}")
标签:loss,训练,nn,学习,train,联邦,import,迁移,model
From: https://blog.csdn.net/weixin_42595747/article/details/142073258