iotflh的博客

基本步骤1、 准备数据集2、 定义网络结构3、定义损失函数4、定义优化算法5、迭代训练1、准备好Tensor形式的输入数据及标签（涉及到torch.utils.data.Dataset和DataLoader）2、定义好网络前向传播用于计算网络的输出(output)以及网络的损失(loss)3、定义传播进行网络参数更新：（1）将上一个迭代所计算的梯度进行清零:optimizer.zero_grad()（2）进行本次迭代的梯度计算:loss.backward()（3）更新网络的权值参数：o

https://blog.youkuaiyun.com/weixin_42147780/article/details/102683053?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522160385383319725255519967%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=160385383319725255519967&biz_

transforms.Compose()串联多个图片变换的操作。transforms.Resize()将图片转换到制定大小。Resize(224) 将图片短边缩放到224，长边做等比缩放Resize([224,224])将图片缩放到224*224transforms.CenterCrop（）图片裁剪，从中心位置裁剪指定大小的图片。transforms.ToTensor()（1） transforms.ToTensor() 将numpy的ndarray或PIL.Image.

PyTorch使用教程-迁移学习前言如果你认为深度学习非常的吃GPU，或者说非常的耗时间，训练一个模型要非常久，但是你如果了解了迁移学习那你的模型可能只需要几分钟，而且准确率不比你自己训练的模型准确率低，本节我们将会介绍两种方法来实现迁移学习迁移学习方法介绍1、微调网络的方法实现迁移学习，更改最后一层全连接，并且微调训练网络2、将模型看成特征提取器，如果一个模型的预训练模型非常的好，那完全就把前面的层看成特征提取器，冻结所有层并且更改最后一层，只训练最后一层，这样我们只训练了最后一层，训练会非常的