PyTorch迁移学习实战：用ResNet与少量数据快速构建图像分类器-北京尧图网络

在深度学习图像分类任务中我们常常面临一个现实困境手头只有少量标注图片却希望训练出一个性能不错的模型。从头训练一个深度神经网络需要海量数据和强大的算力这对于个人开发者或小团队来说几乎不可能。幸运的是迁移学习为我们提供了一条捷径。本文将手把手带你完成一个实战项目利用 PyTorch 框架和预训练的 ResNet 模型仅用少量图片快速构建一个高效的图像分类器。无论你是刚入门深度学习的新手还是希望快速验证想法的开发者这套从环境搭建、数据准备、模型微调到结果评估的完整流程都能让你直接复用高效解决“小数据”下的分类难题。1. 背景与核心概念为什么需要迁移学习在深入代码之前我们有必要厘清几个核心概念理解迁移学习为何能成为小样本学习的“利器”。深度学习与图像分类深度学习特别是卷积神经网络CNN在图像识别领域取得了革命性成功。它通过多层卷积、池化等操作自动从像素中提取从边缘、纹理到物体部件的多层次特征最终实现精准分类。ResNet 模型ResNet残差网络是 CNN 发展史上的一个里程碑。它通过引入“残差块”和“跳跃连接”有效解决了深层网络中的梯度消失和网络退化问题使得训练成百上千层的超深网络成为可能。在 ImageNet 等大型数据集上预训练的 ResNet 模型已经学会了提取通用图像特征的强大能力。迁移学习这就是我们的核心武器。其核心思想是将一个在源领域如包含1000个类别的ImageNet数据集大规模数据上训练好的模型预训练模型的知识迁移到目标领域我们自己的、数据量很少的特定分类任务中来。我们不需要从零开始学习“如何看图片”而是站在巨人的肩膀上让模型快速适应新任务。为什么它适用于少量图片的场景特征复用预训练模型的前几层学习到的通常是通用特征如边缘、角点、纹理这些特征对于大多数视觉任务都是有用的。我们只需要让模型的后几层负责高级语义和具体分类去适应我们的新类别即可。避免过拟合数据量少时训练参数众多的深层网络极易过拟合模型只记住了训练集而无法泛化到新数据。迁移学习通过冻结大部分预训练参数只更新少量新参数极大地减少了需要学习的参数量从而有效缓解过拟合。加速收敛模型已经有了一个非常好的权重初始化起点因此训练过程收敛速度远快于从头训练。接下来我们将通过一个完整的实战案例演示如何利用 PyTorch 和 ResNet 实现迁移学习。2. 环境准备与版本说明工欲善其事必先利其器。首先确保你的开发环境已就绪。操作系统Windows 10/11, macOS 或 Linux (如 Ubuntu 20.04) 均可。本文命令以 Linux/macOS 的 bash 和 Windows 的 PowerShell 为例。Python推荐使用 Python 3.8 或 3.9。版本过高或过低可能导致某些库的依赖冲突。深度学习框架我们将使用 PyTorch。请根据你的环境是否支持CUDA前往 PyTorch 官网获取安装命令。以下是一个在拥有 NVIDIA GPU 且已安装 CUDA 11.7 的环境下的安装示例# 使用 pip 安装 PyTorch、TorchVision 和其他必要库 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117 pip install matplotlib pandas tqdm pillow如果你的电脑没有 GPU则安装 CPU 版本pip install torch torchvision torchaudio pip install matplotlib pandas tqdm pillow关键库版本参考以写作时稳定版本为例实际安装请以最新兼容版本为准torch: 1.13.0torchvision: 0.14.0matplotlib: 3.5.0 (用于可视化)pandas: 1.4.0 (可选用于管理数据)tqdm: 4.64.0 (用于显示进度条)Pillow: 9.0.0 (图像处理)IDE/编辑器任意你熟悉的即可如 VS Code、PyCharm 或 Jupyter Notebook。项目结构建议提前创建好如下目录结构便于管理。ai_study_transfer_learning/ ├── data/ # 数据目录 │ ├── train/ # 训练集 │ │ ├── class_a/ # 类别A的图片 │ │ ├── class_b/ # 类别B的图片 │ │ └── ... # 更多类别 │ └── val/ # 验证集结构同train ├── src/ # 源代码 │ ├── dataset.py # 自定义数据集类 │ ├── model.py # 模型定义 │ ├── train.py # 训练脚本 │ └── utils.py # 工具函数如可视化 ├── outputs/ # 输出目录保存模型、日志、图表 │ ├── models/ # 保存的模型权重 │ └── logs/ # 训练日志 └── requirements.txt # 项目依赖3. 核心原理与步骤拆解在动手写代码前让我们把迁移学习微调 ResNet 的流程和关键决策点梳理清楚。3.1 迁移学习微调策略对于 ResNet 这类预训练模型我们通常采用以下两种微调策略特征提取器Feature Extractor做法冻结预训练模型的所有层将其requires_grad属性设为False仅替换并训练最后的全连接分类层fc层。适用场景数据集非常小每类几十张图且与 ImageNet 数据集相似度较高。此时预训练特征已经足够好我们只需要学习一个简单的分类器。优点训练快参数量少极不易过拟合。缺点模型上限可能受限于预训练特征的通用性。微调全部层Fine-tuning做法不冻结任何层替换最后的全连接层后对整个模型的所有参数进行训练。通常我们会使用一个较小的学习率以免破坏预训练好的底层特征。适用场景数据集相对较大每类几百张以上或目标领域与 ImageNet 差异较大如医学影像、卫星图片。模型需要调整底层特征来更好地适应新数据。优点模型潜力更大能更好地适应新任务。缺点训练慢需要更多数据来防止过拟合对学习率等超参数更敏感。本文实战将采用一种更通用的折中策略冻结大部分卷积层微调最后几个块和全连接层。这是实践中最常用、效果最稳定的方法。3.2 数据处理流程由于数据量少规范的数据处理至关重要主要包括数据增强对训练图像进行随机旋转、翻转、裁剪、色彩抖动等变换在不增加真实数据的情况下极大地扩充数据多样性是防止过拟合的核心手段。数据标准化使用与预训练模型相同的均值和标准差对图像进行归一化。对于 TorchVision 中的 ResNet通常使用 ImageNet 的统计量mean [0.485, 0.456, 0.406],std [0.229, 0.224, 0.225]。这能确保输入数据的分布与模型训练时一致。数据集划分必须划分独立的验证集或测试集用于在训练过程中监控模型泛化能力防止过拟合。3.3 模型修改关键点以 ResNet-18 为例我们需要修改其最后一层原始fc层Linear(in_features512, out_features1000)(对应 ImageNet 的1000类)。新fc层Linear(in_features512, out_featuresN)(N 为我们自定义数据集的类别数)。4. 完整实战案例花卉分类假设我们有一个小型的“花卉分类”数据集包含daisy雏菊、rose玫瑰、sunflower向日葵三个类别每个类别仅有 30-50 张训练图片。4.1 准备数据集请将你的图片按以下结构放置data/ ├── train/ │ ├── daisy/ │ │ ├── image1.jpg │ │ └── ... │ ├── rose/ │ │ ├── image1.jpg │ │ └── ... │ └── sunflower/ │ ├── image1.jpg │ └── ... └── val/ # 结构同train每类约5-10张图 ├── daisy/ ├── rose/ └── sunflower/4.2 编写核心代码4.2.1 定义数据集和数据加载器 (src/dataset.py)我们使用torchvision.datasets.ImageFolder它能自动根据文件夹结构生成标签。# file: src/dataset.py import torch from torchvision import datasets, transforms from torch.utils.data import DataLoader def get_data_loaders(data_dir, batch_size32): 创建训练和验证数据加载器。参数: data_dir: 数据根目录包含train和val子目录。 batch_size: 批大小。返回: train_loader, val_loader, class_names # 训练数据增强和归一化 train_transform transforms.Compose([ transforms.RandomResizedCrop(224), # 随机裁剪并缩放到224x224 transforms.RandomHorizontalFlip(), # 随机水平翻转 transforms.RandomRotation(15), # 随机旋转±15度 transforms.ColorJitter(brightness0.2, contrast0.2, saturation0.2), # 颜色抖动 transforms.ToTensor(), # 转换为Tensor [0,1] transforms.Normalize(mean[0.485, 0.456, 0.406], # ImageNet统计量归一化 std[0.229, 0.224, 0.225]) ]) # 验证/测试阶段只进行中心裁剪和归一化不做增强 val_transform transforms.Compose([ transforms.Resize(256), # 将短边缩放到256 transforms.CenterCrop(224), # 中心裁剪224x224 transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) # 使用ImageFolder加载数据集 train_dataset datasets.ImageFolder(rootf{data_dir}/train, transformtrain_transform) val_dataset datasets.ImageFolder(rootf{data_dir}/val, transformval_transform) # 创建数据加载器 train_loader DataLoader(train_dataset, batch_sizebatch_size, shuffleTrue, num_workers2, pin_memoryTrue) val_loader DataLoader(val_dataset, batch_sizebatch_size, shuffleFalse, num_workers2, pin_memoryTrue) # 获取类别名称 class_names train_dataset.classes print(f训练集样本数: {len(train_dataset)}) print(f验证集样本数: {len(val_dataset)}) print(f类别: {class_names}) return train_loader, val_loader, class_names if __name__ __main__: # 快速测试数据加载 train_loader, val_loader, classes get_data_loaders(../data, batch_size4) images, labels next(iter(train_loader)) print(f一个批次的图像形状: {images.shape}) # [4, 3, 224, 224] print(f对应的标签: {labels}) # 如 tensor([0, 2, 1, 0])4.2.2 构建迁移学习模型 (src/model.py)这是核心部分我们加载预训练的 ResNet-18 并修改其最后一层。# file: src/model.py import torch import torch.nn as nn from torchvision import models def create_model(num_classes, feature_extractFalse, use_pretrainedTrue): 创建并配置用于迁移学习的ResNet-18模型。参数: num_classes: 目标数据集的类别数量。 feature_extract: 如果为True则冻结所有卷积层的参数只训练全连接层。 use_pretrained: 是否使用在ImageNet上预训练的权重。返回: model, input_size # 选择模型并加载预训练权重 model_ft models.resnet18(weightsmodels.ResNet18_Weights.DEFAULT if use_pretrained else None) input_size 224 # ResNet的标准输入尺寸 if feature_extract: # 特征提取模式冻结所有网络参数 for param in model_ft.parameters(): param.requires_grad False else: # 微调模式我们选择冻结前面大部分层只微调最后两个块 (layer3, layer4) 和 fc层 # 这样可以平衡训练速度和模型性能 for name, param in model_ft.named_parameters(): # 默认冻结所有参数 param.requires_grad False # 解冻最后两个残差块和全连接层的参数 if layer3 in name or layer4 in name or fc in name: param.requires_grad True # 获取全连接层的输入特征数 num_ftrs model_ft.fc.in_features # 替换最后的全连接层使其输出维度等于我们的类别数 # 新的全连接层默认 requires_gradTrue model_ft.fc nn.Linear(num_ftrs, num_classes) # 打印可训练参数的数量 params_to_update [] for name, param in model_ft.named_parameters(): if param.requires_grad: params_to_update.append(param) print(f\t{name} 将被训练) print(f模型总参数量: {sum(p.numel() for p in model_ft.parameters())}) print(f可训练参数量: {sum(p.numel() for p in params_to_update)}) return model_ft, input_size if __name__ __main__: model, _ create_model(num_classes3, feature_extractFalse) print(model)4.2.3 编写训练与验证脚本 (src/train.py)# file: src/train.py import torch import torch.nn as nn import torch.optim as optim from torch.optim import lr_scheduler import time import copy from tqdm import tqdm import os def train_model(model, dataloaders, criterion, optimizer, scheduler, num_epochs25, devicecpu, model_save_dir../outputs/models): 训练和验证模型。参数: model: 要训练的模型。 dataloaders: 包含train和val键的字典对应数据加载器。 criterion: 损失函数。 optimizer: 优化器。 scheduler: 学习率调度器。 num_epochs: 训练轮数。 device: 训练设备 (cuda 或 cpu)。 model_save_dir: 模型保存目录。返回: model: 训练好的最佳模型。 history: 包含训练历史的字典。 since time.time() os.makedirs(model_save_dir, exist_okTrue) # 初始化最佳模型权重和准确率 best_model_wts copy.deepcopy(model.state_dict()) best_acc 0.0 history {train_loss: [], train_acc: [], val_loss: [], val_acc: []} for epoch in range(num_epochs): print(f\nEpoch {epoch1}/{num_epochs}) print(- * 40) # 每个epoch都有训练和验证阶段 for phase in [train, val]: if phase train: model.train() # 设置模型为训练模式 else: model.eval() # 设置模型为评估模式 running_loss 0.0 running_corrects 0 # 使用tqdm显示进度条 pbar tqdm(dataloaders[phase], descf{phase.capitalize()} Epoch {epoch1}) # 迭代数据 for inputs, labels in pbar: inputs inputs.to(device) labels labels.to(device) # 梯度清零 optimizer.zero_grad() # 前向传播 # 只在训练阶段追踪历史以计算梯度 with torch.set_grad_enabled(phase train): outputs model(inputs) _, preds torch.max(outputs, 1) loss criterion(outputs, labels) # 只在训练阶段进行反向传播和优化 if phase train: loss.backward() optimizer.step() # 统计 running_loss loss.item() * inputs.size(0) running_corrects torch.sum(preds labels.data) # 更新进度条描述 pbar.set_postfix({Loss: loss.item()}) if phase train and scheduler is not None: scheduler.step() epoch_loss running_loss / len(dataloaders[phase].dataset) epoch_acc running_corrects.double() / len(dataloaders[phase].dataset) # 记录历史 if phase train: history[train_loss].append(epoch_loss) history[train_acc].append(epoch_acc.item()) else: history[val_loss].append(epoch_loss) history[val_acc].append(epoch_acc.item()) print(f{phase} Loss: {epoch_loss:.4f} Acc: {epoch_acc:.4f}) # 深度复制模型如果验证准确率提高了 if phase val and epoch_acc best_acc: best_acc epoch_acc best_model_wts copy.deepcopy(model.state_dict()) # 保存最佳模型 best_model_path os.path.join(model_save_dir, fbest_model_epoch{epoch1}_acc{best_acc:.4f}.pth) torch.save({ epoch: epoch, model_state_dict: best_model_wts, optimizer_state_dict: optimizer.state_dict(), val_acc: best_acc, }, best_model_path) print(f 保存最佳模型至: {best_model_path}) # 每个epoch结束后保存一次检查点 checkpoint_path os.path.join(model_save_dir, fcheckpoint_epoch{epoch1}.pth) torch.save({ epoch: epoch, model_state_dict: model.state_dict(), optimizer_state_dict: optimizer.state_dict(), scheduler_state_dict: scheduler.state_dict() if scheduler else None, history: history, }, checkpoint_path) time_elapsed time.time() - since print(f\n训练完成用时 {time_elapsed // 60:.0f}m {time_elapsed % 60:.0f}s) print(f最佳验证准确率: {best_acc:.4f}) # 加载最佳模型权重 model.load_state_dict(best_model_wts) return model, history def main(): # 设置设备 device torch.device(cuda:0 if torch.cuda.is_available() else cpu) print(f使用设备: {device}) # 1. 加载数据 from dataset import get_data_loaders data_dir ../data # 修改为你的数据路径 batch_size 16 # 根据GPU内存调整数据量小时可以小一些 train_loader, val_loader, class_names get_data_loaders(data_dir, batch_sizebatch_size) dataloaders_dict {train: train_loader, val: val_loader} # 2. 创建模型 from model import create_model num_classes len(class_names) model_ft, input_size create_model(num_classesnum_classes, feature_extractFalse, use_pretrainedTrue) model_ft model_ft.to(device) # 3. 定义损失函数和优化器 criterion nn.CrossEntropyLoss() # 只优化那些 requires_gradTrue 的参数 optimizer_ft optim.SGD( filter(lambda p: p.requires_grad, model_ft.parameters()), lr0.001, # 初始学习率微调时通常设置较小 momentum0.9 ) # 4. 定义学习率调度器每7个epoch将学习率乘以0.1 exp_lr_scheduler lr_scheduler.StepLR(optimizer_ft, step_size7, gamma0.1) # 5. 训练模型 num_epochs 15 # 对于小数据集15-25个epoch通常足够 model_ft, hist train_model( model_ft, dataloaders_dict, criterion, optimizer_ft, exp_lr_scheduler, num_epochsnum_epochs, devicedevice ) # 6. 保存最终模型可选 final_model_path ../outputs/models/final_model.pth torch.save(model_ft.state_dict(), final_model_path) print(f最终模型已保存至: {final_model_path}) if __name__ __main__: main()4.2.4 可视化训练过程与模型预测 (src/utils.py)# file: src/utils.py import matplotlib.pyplot as plt import torch import numpy as np from torchvision import transforms from PIL import Image def plot_training_history(history, num_epochs): 绘制训练和验证的损失、准确率曲线。 epochs range(1, num_epochs 1) plt.figure(figsize(12, 4)) plt.subplot(1, 2, 1) plt.plot(epochs, history[train_loss], b-, labelTraining Loss) plt.plot(epochs, history[val_loss], r-, labelValidation Loss) plt.title(Training and Validation Loss) plt.xlabel(Epochs) plt.ylabel(Loss) plt.legend() plt.grid(True) plt.subplot(1, 2, 2) plt.plot(epochs, history[train_acc], b-, labelTraining Accuracy) plt.plot(epochs, history[val_acc], r-, labelValidation Accuracy) plt.title(Training and Validation Accuracy) plt.xlabel(Epochs) plt.ylabel(Accuracy) plt.legend() plt.grid(True) plt.tight_layout() plt.savefig(../outputs/training_history.png, dpi150) plt.show() def predict_single_image(model, img_path, class_names, devicecpu, transformNone): 对单张图片进行预测。 # 加载图像 image Image.open(img_path).convert(RGB) # 定义默认的验证集变换 if transform is None: transform transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) # 预处理 image_tensor transform(image).unsqueeze(0) # 增加批次维度 image_tensor image_tensor.to(device) # 预测 model.eval() with torch.no_grad(): outputs model(image_tensor) _, predicted_idx torch.max(outputs, 1) probabilities torch.nn.functional.softmax(outputs, dim1)[0] predicted_class class_names[predicted_idx.item()] confidence probabilities[predicted_idx.item()].item() # 显示结果 plt.figure(figsize(8, 4)) plt.subplot(1, 2, 1) plt.imshow(image) plt.title(fPredicted: {predicted_class}\nConfidence: {confidence:.2%}) plt.axis(off) plt.subplot(1, 2, 2) y_pos np.arange(len(class_names)) plt.barh(y_pos, probabilities.cpu().numpy()) plt.yticks(y_pos, class_names) plt.xlabel(Probability) plt.title(Class Probabilities) plt.tight_layout() plt.show() return predicted_class, confidence if __name__ __main__: # 示例加载历史并绘图 (假设历史数据已保存) # history torch.load(../outputs/history.pth) # plot_training_history(history, num_epochs15) pass4.3 运行与验证准备数据按照4.1节的目录结构放置你的花卉图片。安装依赖在项目根目录创建requirements.txt文件内容参考2. 环境准备部分然后运行pip install -r requirements.txt。开始训练在项目根目录下运行cd src python train.py监控训练脚本运行时会打印每个 epoch 的损失和准确率并自动保存最佳模型到outputs/models/目录。可视化结果训练结束后可以运行一个单独的脚本加载保存的history和最佳模型调用utils.py中的函数绘制学习曲线并对新图片进行预测。4.4 预期结果对于一个每类仅有几十张图片的小数据集采用上述迁移学习方法通常在 10-20 个 epoch 内验证集准确率就能达到85% 甚至 90% 以上。这远高于从零开始训练后者可能因过拟合而无法收敛。你会观察到训练初期验证准确率快速上升。训练中后期训练损失持续下降但验证损失可能开始波动或上升此时应关注验证准确率并使用早停法或模型检查点来保存最佳模型防止过拟合。5. 常见问题与排查思路在实际操作中你可能会遇到以下问题问题现象可能原因解决思路RuntimeError: CUDA out of memoryGPU 显存不足。1. 减小batch_size如从32降到16或8。2. 使用更小的模型如 ResNet-18 而非 ResNet-50。3. 在代码中使用torch.cuda.empty_cache()清理缓存。4. 在DataLoader中设置pin_memoryFalse。训练损失不下降或准确率极低1. 学习率设置不当。2. 数据预处理错误如归一化参数不对。3. 模型最后一层未正确修改。4. 梯度被冻结requires_gradFalse的层过多。1. 尝试调整学习率如 0.01, 0.001, 0.0001。2. 检查transforms.Normalize的参数是否与预训练模型匹配。3. 打印模型结构确认fc层的out_features是否为你的类别数。4. 打印模型参数确认需要训练的层是否已解冻。验证准确率远低于训练准确率过拟合1. 训练数据太少。2. 数据增强不够强。3. 模型过于复杂或训练时间太长。1. 尝试收集更多数据或使用更强的数据增强如随机遮挡RandomErasing。2. 增加Dropout层可在新的fc层前添加nn.Dropout(p0.5)。3. 使用更早的检查点验证准确率最高的模型。4. 尝试feature_extractTrue模式进一步减少可训练参数。KeyError: val_acc或历史数据加载失败保存的检查点文件结构与你加载时代码期望的结构不匹配。确保加载模型权重的代码与保存时的字典键名一致。建议使用本文提供的标准化保存和加载方式。预测时结果完全错误1. 预测时未使用相同的预处理流程。2. 图像通道顺序问题OpenCV 读入为 BGR。3. 模型处于训练模式model.train()。1. 确保预测函数predict_single_image使用的transform与验证集完全相同。2. 如果使用 OpenCV (cv2.imread)需将 BGR 转换为 RGBimage cv2.cvtColor(image, cv2.COLOR_BGR2RGB)。3. 预测前务必调用model.eval()。6. 最佳实践与工程建议掌握了基础流程后以下建议能帮助你将项目提升到生产可用级别数据是王道质量高于数量即使图片少也要确保每张图片标注准确、清晰、有代表性。模糊、无关的图片有害无益。严谨的划分务必确保训练集和验证集没有重叠。对于小数据集可以使用交叉验证来更可靠地评估模型性能。高级增强除了基本的翻转旋转可以尝试AutoAugment、RandAugment等策略或使用albumentations库进行更丰富、针对性的增强如透视变换、网格畸变等。模型选择与策略从小模型开始数据量极少时优先选择ResNet-18甚至MobileNetV2、EfficientNet-B0等轻量模型它们参数量少更不易过拟合。分层学习率对模型不同部分使用不同的学习率。通常新添加的fc层使用较大的学习率如 0.01而微调的卷积层使用较小的学习率如 0.001。这可以通过optim.SGD的param_groups参数实现。使用预训练权重务必从官方或可靠来源加载预训练权重。TorchVision 的weightsAPI 是最佳选择。训练过程监控与优化早停法监控验证集损失当其连续多个 epoch 不再下降时提前停止训练避免过拟合。模型检查点不仅保存最佳模型也定期保存训练中间状态便于回滚或分析。使用 TensorBoard 或 WandB替代简单的打印使用可视化工具实时监控损失、准确率、权重分布等效率更高。超参数调优对于关键超参数如初始学习率、优化器类型、权重衰减系数可以使用网格搜索或随机搜索但要注意小数据集上的结果波动可能很大。部署与推理优化模型导出训练完成后使用torch.jit.script或torch.jit.trace将模型转换为 TorchScript便于在非Python环境中部署。ONNX 格式如果需要跨框架部署可将模型导出为 ONNX 格式。性能优化对于生产环境可以考虑使用torch.quantization进行量化或使用TensorRT、OpenVINO等推理加速引擎显著提升推理速度。代码与项目管理配置化将数据路径、超参数、模型配置等写入config.yaml文件使代码更清晰实验可复现。版本控制使用 Git 管理代码和实验记录。为每次重要的训练实验打上标签。实验记录记录每次实验的数据集、超参数、模型改动和最终结果形成实验日志。通过本次实战你不仅学会了如何用少量图片和 ResNet 完成图像分类更掌握了一套应对小样本深度学习任务的通用方法论。关键在于利用预训练模型的知识、通过数据增强创造“虚拟”数据、谨慎地微调网络参数并始终以验证集为准绳防止过拟合。这套流程可以轻松迁移到其他视觉任务如目标检测、图像分割或其他预训练模型如 Vision Transformer。下一步你可以尝试在自己的数据集上应用探索不同的数据增强组合、调整微调层数、或者集成多个模型来进一步提升性能。

PyTorch迁移学习实战：用ResNet与少量数据快速构建图像分类器

相关推荐

用友YonWork服务商怎么选？看这六个企业AI落地判断点

知网AIGC报告中连片标红段落的结构化修改方法

从概念到量产：MG X-motion Concept如何演变为名爵HS

更多资讯

武汉打印电工证多少钱通过率揭秘

工地太忙根本没时间复习考试？弱电工证考证培训机构帮你搞定电子证书

武威市电工证查询怎么搞？工地太忙根本没时间复习考试，郑州报考避坑指南来了

电工证不吃香实操考试多久拿证？别怕考不过白交培训费

威海电工证全日制通过率揭秘：学历不高也能考下来？

大学生低压电工证资料怎么查？网上查询电子证书别踩坑

今日更新

安监局电工证分数查询怎么查才能知道含金量高不高

新疆电工作业干活累吗良心建议助你避开考不过的坑

中牟县电工证怎么报名外省证能转吗

本周精选

安监局电工证分数查询怎么查才能知道含金量高不高

新疆电工作业干活累吗良心建议助你避开考不过的坑

中牟县电工证怎么报名外省证能转吗

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？

相关推荐

用友YonWork服务商怎么选？看这六个企业AI落地判断点

知网AIGC报告中连片标红段落的结构化修改方法

从概念到量产：MG X-motion Concept如何演变为名爵HS

更多资讯

武汉打印电工证多少钱通过率揭秘

工地太忙根本没时间复习考试？弱电工证考证培训机构帮你搞定电子证书

武威市电工证查询怎么搞？工地太忙根本没时间复习考试，郑州报考避坑指南来了

电工证不吃香实操考试多久拿证？别怕考不过白交培训费

威海电工证全日制通过率揭秘：学历不高也能考下来？

大学生低压电工证资料怎么查？网上查询电子证书别踩坑

今日更新

安监局电工证分数查询怎么查才能知道含金量高不高

新疆电工作业干活累吗 良心建议助你避开考不过的坑

中牟县电工证怎么报名外省证能转吗

本周精选

安监局电工证分数查询怎么查才能知道含金量高不高

新疆电工作业干活累吗 良心建议助你避开考不过的坑

中牟县电工证怎么报名外省证能转吗

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？

新疆电工作业干活累吗良心建议助你避开考不过的坑

新疆电工作业干活累吗良心建议助你避开考不过的坑