python - 针对新数据点更新预训练的深度学习模型

以ImageNet上的图像分类为例，如何使用新的数据点更新预训练模型。
我已经加载了预训练模型。我有一个新的数据点，该数据点与之前训练模型的原始数据的分布完全不同。因此，我想借助新的数据点来更新/微调模型。如何去做呢？有人可以帮我吗？我正在使用pytorch 0.4.0进行实施，在GPU Tesla K40C上运行。

最佳答案

如果您不想更改分类器的输出（即类别数），则可以简单地继续使用新的示例图像训练模型，并假设它们已重塑为与预训练模型可以接受的形状相同的形状。

另一方面，如果要更改预训练模型中的类数，则可以用新的替换完全连接的最后一层，并在新样本上仅训练该特定层。这是PyTorch's autograd mechanics notes中这种情况的示例代码：

model = torchvision.models.resnet18(pretrained=True)
for param in model.parameters():
    param.requires_grad = False
# Replace the last fully-connected layer
# Parameters of newly constructed modules have requires_grad=True by default
model.fc = nn.Linear(512, 100)

# Optimize only the classifier
optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)

关于python - 针对新数据点更新预训练的深度学习模型，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/53624766/