參考：來自
深度特徵提取入門
1. 網路模型 senet 參照
# model implement
# method1 從models庫直接匯出18層
from torchvision import models
resnet18 = models.resnet18( pretrained=0)
#print(resnet18)
# method2 # 按需設計層數
from torchvision.models import resnet
from resnet import basicblock
# resnet18 = resnet( basicblock, [2, 2, 2, 2], num_classes=10)
#print(resnet18)
# modify it as senet 按需設計結構
from senet.se_resnet import sebasicblock
from senet.se_module import selayer
senet9 = resnet(sebasicblock, [1, 1, 1, 1], num_classes=10)
print( senet9 )
# 重新設計 基礎塊 sebasicblock
再進一進改進子塊，設計 sebasicblock， 整體結構採用 resnet, 只是塊嵌入 se , 因此，重設計基礎塊 sebasicblock，層selayer 。
1） 構建resnet： 繼承pytorch中網路的基類：torch.nn.module， 重寫初始化__init__和 forward方 法；
2）構建 基礎塊 sebasicblock： 也是繼承pytorch中網路的基類：torch.nn.module， 重寫初始化__init__和 forward方 法；
在初始化__init__中主要是定義一些層的引數。
forward方法中主要是定義資料在層之間的流動順序，也就是層的連線順序。
然後 生成網路 res18=resnet( basicblock, [2, 2, 2, 2], num_classes=10)
senet9 = resnet(sebasicblock, [1, 1, 1, 1], num_classes=10)
2. 網路模型 視覺化
pytorch設計模型
1.nn.modulelist使對於加入其中的子模組，不必在forward中依次呼叫 nn.sequentialt使對於加入其中的子模組在forward中可以通過迴圈實現呼叫 2.pytorch中nn.modulelist和nn.sequential的用法和區別 nn.sequential定義的網路...
pytorch 模型設計專題丨
複製層的初始化問題，使用deepcopyimport torch import torch.nn as nn import copy class mymodule nn.module def init self super mymodule,self init self.layer nn.linea...
pytorch載入模型與凍結
weights torch.load path with open a.pkl wb as f pickle.dump score dict,f weights pickle.load f 直接載入 model.load state dict weights 字典生成式載入 self.load st...