Wczytywanie modeli torchvision
Używać wstępnie wytrenowanych architektur jednym wywołaniem
Wczytywanie modeli torchvision to bezpłatna lekcja Deep Learning Academy na CoddyKit. To lekcja 4 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Deep Learning Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Po co wymyślać to od nowa
Rzadko trzeba budować znaną sieć od podstaw. Biblioteka torchvision dla PyTorch udostępnia je w gotowej postaci.
Zoo modeli
Od ResNet i VGG po nowoczesne sieci — torchvision.models to biblioteka sprawdzonych architektur, dostępnych na wyciągnięcie ręki.
Wczytaj model jednym wywołaniem
Pobranie architektury wymaga jednego wywołania. W tym przypadku otrzymujesz model ResNet-18 z losowymi, niewytrenowanymi wagami.
from torchvision import models
net = models.resnet18()Wczytaj wstępnie wytrenowane wagi
Prawdziwa moc polega na wczytaniu wstępnie wytrenowanych wag nauczonych na zbiorze ImageNet, dzięki czemu model od razu zna przydatne cechy wizualne.
from torchvision.models import resnet18, ResNet18_Weights
net = resnet18(weights=ResNet18_Weights.DEFAULT)Dobry początek
Te wagi zapewniają ogromny dobry początek. Można dostroić je do własnego zadania, korzystając ze znacznie mniejszej ilości danych.
Dopasuj wstępne przetwarzanie
Modele wstępnie wytrenowane oczekują określonych rozmiarów wejścia i normalizacji. Obiekt weights zawiera dokładne transformacje, które należy zastosować.
weights = ResNet18_Weights.DEFAULT
preprocess = weights.transforms()Ustaw tryb ewaluacji
Przed przewidywaniem wywołaj eval, aby warstwy takie jak batch norm i dropout działały poprawnie podczas wnioskowania.
net.eval()
# disables dropout, freezes batch-norm statsZamień ostatnią warstwę
Zbiór ImageNet zawiera 1000 klas. Aby ponownie wykorzystać sieć, zastąp jej końcową warstwę fully connected, dopasowując ją do własnych klas.
import torch.nn as nn
net.fc = nn.Linear(net.fc.in_features, 10)Zamroź warstwy, aby oszczędzić wysiłek
W przypadku szybkiego uczenia transferowego zamroź część bazową, aby trenowała się tylko nowa głowa klasyfikatora. Dzięki temu proces jest szybki i wymaga niewielkiej ilości danych.
for p in net.parameters():
p.requires_grad = FalseOdczytaj nazwy klas
Metadane wag zawierają nawet czytelne dla człowieka kategorie, dzięki czemu można zamienić indeks z powrotem na etykietę.
labels = ResNet18_Weights.DEFAULT.meta["categories"]Skorzystaj z dorobku poprzedników
Za pomocą jednego importu można ponownie wykorzystać lata badań i obliczeń. To codzienny przepływ pracy w praktycznym deep learningu.
Szybkie sprawdzenie
Przypomnij sobie, jak wczytać model, który zna już zbiór ImageNet.
Podsumowanie: wykorzystaj to, co najlepsze
Za pomocą torchvision można w jednej linijce wczytać sprawdzone architektury i wstępnie wytrenowane wagi, a następnie dostosować je do własnego zadania. Możesz już budować!
Ucz się Python dzięki korepetycjom AI — za darmo
Pisz i uruchamiaj kod w przeglądarce, otrzymuj natychmiastową pomoc od korepetytora AI dostępnego 24/7 i kontynuuj naukę w sieci lub w aplikacji.
- Kursy
- 30
- Lekcje
- 120
Często zadawane pytania
Czy lekcja „Wczytywanie modeli torchvision” jest bezpłatna?
Tak — pełny tekst „Wczytywanie modeli torchvision” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Deep Learning Academy, przejdź na CoddyKit PRO. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Wczytywanie modeli torchvision”?
Używać wstępnie wytrenowanych architektur jednym wywołaniem Ćwiczysz Deep Learning Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Deep Learning Academy?
Nie wymagamy żadnego doświadczenia. Deep Learning Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 4 z 4.
Ile czasu zajmuje lekcja „Wczytywanie modeli torchvision”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Deep Learning Academy?
Tak. Każda lekcja Deep Learning Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- LeNet i AlexNet: pierwsze sukcesy
- VGG: stosy małych filtrów
- ResNet: połączenia pomijające prowadzą w głąb
- Wczytywanie modeli torchvision