day47_预训练模型与迁移学习@浙大疏锦行-编程实验室

Day 47 预训练模型与迁移学习@浙大疏锦行

理解预训练模型（Pre-trained Models）的概念与优势。
掌握迁移学习（Transfer Learning）的两种主要策略：微调（Fine-tuning）与特征提取（Feature Extraction）。
了解常见经典模型结构：ResNet（残差网络）与 MobileNet（轻量级网络）。

概念

迁移学习

利用在大型数据集（如 ImageNet）上训练好的模型权重，来解决新的、数据量较小的任务。

优势：收敛速度快，训练数据需求少，泛化能力强。
策略：
- 冻结训练 (Freezing)：冻结卷积基（特征提取器），只训练自定义的分类头。
- 微调 (Fine-tuning)：解冻部分或全部层，以极小的学习率更新参数，使模型适应新数据分布。

ResNet (残差网络)

核心问题：解决深层网络中的梯度消失/爆炸和退化问题。
解决方案：引入残差连接 (Residual Connection)y = F ( x ) + x y = F(x) + xy=F(x)+x。
作用：允许梯度直接流向浅层，使得训练数百层的网络成为可能。

MobileNetV2

定位：专为移动端设计的轻量级网络。
特点：参数量少，推理速度快，适合资源受限环境。

作业：MobileNetV2 on CIFAR-10

使用 ImageNet 预训练的 MobileNetV2 模型对 CIFAR-10 数据集（10类图片）进行分类。

# 4. 定义 MobileNetV2 模型defcreate_mobilenet_v2(pretrained=True,num_classes=10):model=models.mobilenet_v2(pretrained=pretrained)# MobileNetV2 的分类器结构:# (classifier): Sequential(# (0): Dropout(p=0.2, inplace=False)# (1): Linear(in_features=1280, out_features=1000, bias=True)# )# 修改最后一层全连接层# 获取分类器中最后一个线性层的输入特征数in_features=model.classifier[1].in_features model.classifier[1]=nn.Linear(in_features,num_classes)returnmodel.to(device)# 5. 冻结/解冻模型层的函数deffreeze_model(model,freeze=True):"""冻结或解冻模型的特征提取层参数"""# MobileNetV2 的特征提取部分是 'features'forparaminmodel.features.parameters():param.requires_grad=notfreeze# 打印冻结状态frozen_params=sum(p.numel()forpinmodel.parameters()ifnotp.requires_grad)total_params=sum(p.numel()forpinmodel.parameters())iffreeze:print(f"已冻结模型特征层参数 ({frozen_params}/{total_params}参数)")else:print(f"已解冻模型所有参数 ({total_params}/{total_params}参数可训练)")returnmodel

# 6. 训练函数deftrain_model(model,train_loader,test_loader,criterion,optimizer,scheduler,device,epochs,freeze_epochs=1):train_loss_history=[]test_acc_history=[]# 初始冻结iffreeze_epochs>0:model=freeze_model(model,freeze=True)forepochinrange(epochs):# 解冻控制ifepoch==freeze_epochs:print(f"Epoch{epoch}: 解冻所有参数，开始微调...")model=freeze_model(model,freeze=False)# 解冻后通常使用更小的学习率forparam_groupinoptimizer.param_groups:param_group['lr']*=0.1model.train()running_loss=0.0correct=0total=0forbatch_idx,(data,target)inenumerate(train_loader):data,target=data.to(device),target.to(device)optimizer.zero_grad()output=model(data)loss=criterion(output,target)loss.backward()optimizer.step()running_loss+=loss.item()_,predicted=output.max(1)total+=target.size(0)correct+=predicted.eq(target).sum().item()if(batch_idx+1)%200==0:print(f"Epoch{epoch+1}| Batch{batch_idx+1}/{len(train_loader)}| Loss:{loss.item():.4f}")epoch_loss=running_loss/len(train_loader)train_acc=100.*correct/total# 测试model.eval()correct_test=0total_test=0withtorch.no_grad():fordata,targetintest_loader:data,target=data.to(device),target.to(device)output=model(data)_,predicted=output.max(1)total_test+=target.size(0)correct_test+=predicted.eq(target).sum().item()test_acc=100.*correct_test/total_test train_loss_history.append(epoch_loss)test_acc_history.append(test_acc)ifscheduler:scheduler.step()print(f"Epoch{epoch+1}End | Train Loss:{epoch_loss:.4f}| Train Acc:{train_acc:.2f}% | Test Acc:{test_acc:.2f}%")returntrain_loss_history,test_acc_history# 主运行逻辑defrun_training():# 减少 epoch 数以节省时间演示epochs=5freeze_epochs=2learning_rate=0.001model=create_mobilenet_v2(pretrained=True,num_classes=10)criterion=nn.CrossEntropyLoss()optimizer=optim.Adam(model.parameters(),lr=learning_rate)scheduler=optim.lr_scheduler.StepLR(optimizer,step_size=3,gamma=0.1)print("开始训练 MobileNetV2...")train_loss,test_acc=train_model(model,train_loader,test_loader,criterion,optimizer,scheduler,device,epochs,freeze_epochs)# 简单绘图plt.figure(figsize=(10,4))plt.subplot(1,2,1)plt.plot(train_loss,label='Train Loss')plt.title('Training Loss')plt.legend()plt.subplot(1,2,2)plt.plot(test_acc,label='Test Acc')plt.title('Test Accuracy')plt.legend()plt.show()if__name__=="__main__":run_training()

实现步骤

数据适配：CIFAR-10 图片尺寸为 32x32，而 MobileNetV2 默认输入为 224x224。使用transforms.Resize(224)进行调整。
模型修改：将 MobileNetV2 最后的分类层（1000类）替换为 10 类的全连接层。
训练策略：
- 阶段一：冻结特征层，训练 2 个 Epoch。
- 阶段二：解冻所有层，降低学习率进行微调。