使用预训练ResNet-101模型进行图像分类：微调指南

本教程将指导您完成使用预训练ResNet-101模型并针对特定图像分类任务对其进行微调的过程。

import torch.nn as nn
from torchvision.models import resnet101

# 加载预训练的ResNet-101模型
model = resnet101(pretrained=True)

# 将最后一层全连接层替换为新的分类器
num_classes = 10  # 将其替换为您数据集中的类别数
model.fc = nn.Linear(model.fc.in_features, num_classes)

# 定义损失函数
criterion = nn.CrossEntropyLoss()

让我们逐步分解代码：

model = resnet101(pretrained=True): 这行代码使用 resnet101 函数从 torchvision.models 模块加载预训练的ResNet-101模型。 pretrained=True 参数指示加载在ImageNet数据集上训练的模型权重。这些预训练的权重充当特征提取的良好起点，可以显着提高您模型的性能，尤其是在您拥有有限训练数据的情况下。
model.fc = nn.Linear(model.fc.in_features, num_classes): 此步骤将ResNet-101模型的最后一层全连接层替换为适合您的特定分类任务的新分类器。 model.fc 表示模型的全连接层，而 nn.Linear 表示线性层。在此，我们用一个新的线性层替换了原始的全连接层，该线性层将输入特征的维度调整为 num_classes，即数据集中的所需输出类别数。
criterion = nn.CrossEntropyLoss(): 最后，我们定义损失函数。在图像分类任务中，交叉熵损失是常用的选择。 nn.CrossEntropyLoss() 函数封装了交叉熵损失的计算。此函数结合了 LogSoftmax 和 NLLLoss，使其适用于训练多类别分类器。

通过这些步骤，我们成功加载了预训练的ResNet-101模型，并通过更改其最后一层和定义合适的损失函数来适应我们的特定分类任务。现在可以使用此修改后的模型和损失函数在训练循环中执行前向和后向传播，以优化模型参数并对图像分类任务进行预测。