Charger les modèles torchvision
Utilisez des architectures préentraînées en un seul appel.
Charger les modèles torchvision est une leçon Deep Learning Academy gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Deep Learning Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Deep Learning Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
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!
Questions Fréquemment Posées
La leçon « Charger les modèles torchvision » est-elle gratuite ?
Oui — le texte complet de « Charger les modèles torchvision » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Deep Learning Academy, passe à CoddyKit PRO. Le cours Deep Learning Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Charger les modèles torchvision » ?
Utilisez des architectures préentraînées en un seul appel. Tu pratiques Deep Learning Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Deep Learning Academy ?
Aucune expérience préalable n'est requise. Deep Learning Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.
Combien de temps prend la leçon « Charger les modèles torchvision » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Deep Learning Academy ?
Oui. Chaque leçon Deep Learning Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- LeNet et AlexNet : les premières réussites
- VGG : empiler de petits filtres
- ResNet : les connexions de saut vont en profondeur
- Charger les modèles torchvision