torchvision-Modelle laden
Nutzen Sie vortrainierte Architekturen mit einem einzigen Aufruf.
torchvision-Modelle laden ist eine kostenlose Deep Learning Academy-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Deep Learning Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Why Reinvent It?
You rarely need to build a famous net from scratch. PyTorchs torchvision library ships them ready to use.
A Zoo of Models
From ResNet to VGG to modern nets, torchvision.models is a library of proven architectures at your fingertips.
Load One in a Line
Grabbing an architecture is a single call. Here you get a ResNet-18 with random, untrained weights.
from torchvision import models
net = models.resnet18()Bring the Pretrained Weights
The real power is loading pretrained weights learned on ImageNet, so the model already knows useful visual features.
from torchvision.models import resnet18, ResNet18_Weights
net = resnet18(weights=ResNet18_Weights.DEFAULT)A Head Start
Those weights are a huge head start. You can fine-tune them on your own task with far less data.
Match the Preprocessing
Pretrained models expect specific input sizes and normalization. The weights object carries the exact transforms to apply.
weights = ResNet18_Weights.DEFAULT
preprocess = weights.transforms()Set Eval Mode
Before predicting, call eval so layers like batch norm and dropout behave correctly for inference.
net.eval()
# disables dropout, freezes batch-norm statsSwap the Final Layer
ImageNet has 1000 classes. To reuse the net, replace its final fully connected layer to match your classes.
import torch.nn as nn
net.fc = nn.Linear(net.fc.in_features, 10)Freeze to Save Effort
For quick transfer learning, freeze the backbone so only your new head trains, which is fast and data-light.
for p in net.parameters():
p.requires_grad = FalseRead the Class Names
The weights metadata even lists the human-readable categories, so you can turn an index back into a label.
labels = ResNet18_Weights.DEFAULT.meta["categories"]Stand on Giants
With one import you reuse years of research and compute. This is the everyday workflow of applied deep learning.
Quick Check
Recall how to load a model that already knows ImageNet.
Recap: Reuse the Best
With torchvision you load proven architectures and pretrained weights in a line, then adapt them to your task. You are ready to build!
Häufig gestellte Fragen
Ist die Lektion „torchvision-Modelle laden“ kostenlos?
Ja — der vollständige Text von „torchvision-Modelle laden“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Deep Learning Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „torchvision-Modelle laden“?
Nutzen Sie vortrainierte Architekturen mit einem einzigen Aufruf. Du übst Deep Learning Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Deep Learning Academy zu starten?
Keine Vorkenntnisse erforderlich. Deep Learning Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.
Wie lange dauert die Lektion „torchvision-Modelle laden“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Deep Learning Academy-Lektion Code schreiben und ausführen?
Ja. Jede Deep Learning Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- LeNet und AlexNet: Die ersten Erfolge
- VGG: Stapel kleiner Filter
- ResNet: Skip Connections gehen in die Tiefe
- torchvision-Modelle laden