pytorch搭建卷积神经网络（alexnet、vgg16、resnet50）以及训练

文末有代码和数据集链接！！！！

（注：文章中所有path指文件的路径）

因毕业设计需要，接触卷积神经网络。由于pytorch方便使用，所以最后使用pytorch来完成卷积神经网络训练。

接触到的网络有Alexnet、vgg16、resnet50,毕业答辩完后，一直在训练Alexnet。

1.卷积神经网络搭建

  pytorch中有torchvision.models,里面有许多已搭建好的模型。如果采用预训练模型，只需要修改最后分类的类别。

虽然这样但是我还是inception v3模型修改上失败。

alexnet和vgg16修改的是全连接层的最后一层。

model.classifier = nn.Sequential(nn.Linear(25088, 4096),      #vgg16
                                 nn.ReLU(),
                                 nn.Dropout(p=0.5),
                                 nn.Linear(4096, 4096),
                                 nn.ReLU(),
                                 nn.Dropout(p=0.5),
                                 nn.Linear(4096, 2))

alexnet_model.classifier = nn.Sequential(
            nn.Dropout(),
            nn.Linear(256 * 6 * 6, 4096),
            nn.ReLU(inplace=True),
            nn.Dropout(),
            nn.Linear(4096, 4096),
            nn.ReLU(inplace=True),
            nn.Linear(4096, 2),
        ）

resnet50只需要修改最后的fc层。

model.fc = nn.Linear(2048, 2)

简单的修改，就可以完成。

如果采用要采用预训练模型的话，还需要对修改处参数的进行修改。（vgg16和alexnet需要,resnet50不需要，原因我认为是修改的地方不同）

 for index, parma in enumerate(model.classifier.parameters()):
     if index == 6:
        parma.requires_grad = True

2.训练

这张图是我所认为的神经网络训练的七步吧。

（1） 模型的创建上文已介绍。

（2） 数据集的建立：在PyTorch中对于数据集的文件格式有一定的要求。如图4-10所示，在目录下分别建cat和dog文件夹，这就相当于做标签

（3）对数据集进行预处理：这里采用的是数据增强变化的方法，包括对图片大小进行压缩和输入像素统一，都为224224，还有图像翻转以及归一化。