由于我们只需要最后一层提供两个概率，即图像的概率是否为cat，我们可以重新定义最后一层中的输出特征数。

model.fc = nn.Linear(num_ftrs, 2) 

这是我们模型的新架构。

我们现在要做的就是训练模型的最后一层，我们将能够使用我们重新定位的vgg16来预测图像是否是猫，而且数据和训练时间都非常少。

数据的大小很小，数据相似性也很低

考虑来自（https://www.kaggle.com/kvinicki/canine-coccidiosis），这个数据集包含了犬异孢球虫和犬异孢球虫卵囊的图像和标签，异孢球虫卵囊是一种球虫寄生虫，可感染狗的肠道。它是由萨格勒布兽医学院创建的。它包含了两种寄生虫的341张图片。

这个数据集很小，而且不是Imagenet中的一个类别。在这种情况下，我们保留预先训练好的模型架构，冻结较低的层并保留它们的权重，并训练较低的层更新它们的权重以适应我们的问题。

count = 0 
for child in model.children(): 
 count+=1 
print(count) 

Out: 10

ResNet18共有10层。让我们冻结前6层。

count = 0 
for child in model.children(): 
 count+=1 
 if count < 7: 
 for param in child.parameters(): 
 param.requires_grad = False 

现在我们已经冻结了前6层，让我们重新定义最终输出层，只给出2个输出，而不是1000。

model.fc = nn.Linear(num_ftrs, 2) 

（编辑：惠州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!