迁移学习

from torchvision.models import resnet18
from utils import Flatten

trained_model = resnet18(pretrained = True)
model = nn.Sequential(*list(trained_model.children())[:-1]),  #[b,512,1,1]
                        Flatten(),  #[b,512,1,1] ===>[b,512*1*1]
                        nn.Linear(512,5)
        )
x = torch.randn(2,3,224,224)
print(model(x).shape)

pytorch使用torch.nn.Sequential快速搭建神经网络

Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。保留第一维的维度,其他相乘为一个数. 链接

pytorch函数之nn.Linear

class torch.nn.Linear（in_features，out_features，bias = True ）[来源]

对传入数据应用线性变换：y = A x+ b

参数：

in_features - 每个输入样本的大小

out_features - 每个输出样本的大小

bias - 如果设置为False，则图层不会学习附加偏差。默认值：True

代码:

m = nn.Linear(20, 30)

input = autograd.Variable(torch.randn(128, 20))

output = m(input)

print(output.size())

输出:

torch.Size([128, 30])

output.size()=矩阵size(128,20)*矩阵size（20,30）=(128,30)