如何把imagenet預訓練的模型，輸入層的通道數(shù)隨心所欲的修改，從而來適應自己的任務
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
#增加一個通道w = layers[0].weightlayers[0] = nn.Conv2d(4, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)layers[0].weight = torch.nn.Parameter(torch.cat((w, w[:, :1, :, :]), dim=1)) #方式2w = layers[0].weightlayers[0] = nn.Conv2d(4, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)layers[0].weight = torch.nn.Parameter(torch.cat((w, torch.zeros(64, 1, 7, 7)), dim=1)) #單通道輸入layers[0] = nn.Conv2d(1, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)layers[0].weight = torch.nn.Parameter(w[:, :1, :, :]) |
以上這篇pytorch 實現(xiàn)在預訓練模型的 input上增減通道就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持服務器之家。
原文鏈接：https://blog.csdn.net/github_36923418/article/details/84567227
