Affiner un modèle pré-entraîné dans PyTorch : un guide étape par étape pour les débutants

DEV - 01/09
Le réglage fin est une technique puissante qui vous permet d'adapter un modèle pré-entraîné à une nouvelle tâche,...

Le réglage fin est une technique puissante qui vous permet d'adapter un modèle pré-entraîné à une nouvelle tâche, économisant ainsi du temps et des ressources. Ce didacticiel vous guidera dans le réglage fin d'un modèle ResNet18 pour la classification des chiffres à l'aide de PyTorch.

Étape 1 : configuration de l'environnement et du modèle

Tout d’abord, importons les bibliothèques requises et configurons le modèle pré-entraîné.

import torch import torch.nn as nn import torch.optim as optim import torchvision import torchvision.transforms as transforms from torchvision import models # Charger un modèle ResNet18 pré-entraîné model = models.resnet18(pretrained=True) # Modifier la dernière couche pour correspondre aux classes MNIST (10 classes) model.fc = nn.Linear(model.fc.in_features, 10) # Définissez le modèle en mode entraînement et utilisez le GPU si disponible device = torch.device("cuda" if torch.cuda.is_available () sinon "cpu") modèle = modèle.to (périphérique)
Entrer en mode plein écran Quitter le mode plein écran

Explication : Nous utilisons ResNet18, qui est pré-entraîné sur ImageNet. La d...
[Courte citation de 8% de l'article original]