魔改resnet18进而使用灰度图进行图像分类

最新推荐文章于 2026-04-06 20:02:13 发布

原创最新推荐文章于 2026-04-06 20:02:13 发布 · 1.3k 阅读

5 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#深度学习 #人工智能 #pytorch

这段代码示例展示了如何在PyTorch中定义一个基于ResNet的模型，特别是将预训练的ResNet18模型的第一层卷积改为接受单通道输入，并替换全连接层以适应特定类别的分类任务。然而，注意到直接修改实例化的ResNet对象在模型使用时可能无效，因为改动未被持久化。解决方法是在`__init__`函数中初始化并修改模型结构。

Qwen3-32B-Chat 私有部署镜像 | RTX4090D 24G 显存 CUDA12.4 优化版

本镜像基于 RTX 4090D 24GB 显存 + CUDA 12.4 + 驱动 550.90.07 深度优化，内置完整运行环境与 Qwen3-32B 模型依赖，开箱即用。

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.models as models

# Define ResNet model
class ResNet(nn.Module):
    def __init__(self, num_classes):
        super(ResNet, self).__init__()
        self.resnet = models.resnet18(pretrained=True)
        self.resnet.conv1 = nn.Conv2d(1, 64, kernel_size=7, stride=1, padding=1, bias=False)
        num_ftrs = self.resnet.fc.in_features
        self.resnet.fc = nn.Linear(num_ftrs, num_classes)

如上代码片段，需要在init的时候进行修改，如果通过resnet的一个实例进行修改，在模型使用的时候还是没有变化。

参考了ResNet训练单通道图像分类网络（Pytorch）_望~的博客-CSDN博客_单通道图像resnet不过该博主给出的方法并不work，原因就是他是对实例化的ResNet进行修改成员变量，而不是在init函数中。

您可能感兴趣的与本文相关的镜像