工作中有時候需要對vgg進行定制化處理，比如有些時候需要借助于vgg的層結構，但是需要使用的是2 channels輸入，等等需求，這時候可以使用vgg的原始結構用class重寫一遍，但是這樣的方式比較慢，并且容易出錯，下面給出一種比較簡單的方式
def define_vgg(vgg,input_channels,endlayer,use_maxpool=False):
vgg_ad = copy.deepcopy(vgg)
model = nn.Sequential()
i = 0
for layer in list(vgg_ad.features):
if i > endlayer:
break
if isinstance(layer, nn.Conv2d) and i is 0:
name = "conv_" + str(i)
layer = nn.Conv2d(input_channels,
layer.out_channels,
layer.kernel_size,
stride = layer.stride,
padding=layer.padding)
model.add_module(name, layer)
if isinstance(layer, nn.Conv2d):
name = "conv_" + str(i)
model.add_module(name, layer)
if isinstance(layer, nn.ReLU):
name = "leakyrelu_" + str(i)
layer = nn.LeakyReLU(inplace=True)
model.add_module(name, layer)
if isinstance(layer, nn.MaxPool2d):
name = "pool_" + str(i)
if use_maxpool:
model.add_module(name, layer)
else:
avgpool = nn.AvgPool2d(kernel_size=layer.kernel_size, stride=layer.stride, padding=layer.padding)
model.add_module(name, avgpool)
i += 1
return model
函數輸入項中的vgg 是直接使用的import torchvision.models.vgg16 傳入的是vgg16 非預訓練版本。end_layer 是需要提取的層數，這里使用了vgg.features 是指僅僅在vgg.features 上進行層的提??；也可以根據定制在classifier上進行提取。
下面是我的一個提取前7層的示例，可以使用pyCharm evaluate 上面函數返回的model，可以看到這個示例的情況，這里我的定制條件是輸入通道為2 ，需要提取前7層，并且將ReLu更換為LeakyRelu。
Sequential( (conv_0): Conv2d(2, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (leakyrelu_1): LeakyReLU(negative_slope=0.01, inplace) (conv_2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (leakyrelu_3): LeakyReLU(negative_slope=0.01, inplace) (pool_4): AvgPool2d(kernel_size=2, stride=2, padding=0) (conv_5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (leakyrelu_6): LeakyReLU(negative_slope=0.01, inplace) (conv_7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) )
以上這篇Pytorch 抽取vgg各層并進行定制化處理的方法就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
