迁移学习是一种常见的机器学习技术，它利用在一个任务上训练好的模型，在另一个相关任务上进行微调。微调是指在新任务上对预训练模型进行一定程度的调整，以适应新任务的特点。在这个教程中，我们将学习如何使用PyTorch进行迁移学习和微调。

安装PyTorch和相关库首先，确保已经安装了PyTorch和torchvision库，可以使用以下命令进行安装：

pip install torch torchvision

加载预训练模型在PyTorch中，可以使用torchvision模块加载预训练的模型，例如ResNet、VGG等。在这个例子中，我们将加载一个在ImageNet数据集上预训练的ResNet模型：

import torch
import torchvision.models as models

model = models.resnet18(pretrained=True)

替换最后一层全连接层预训练的模型通常包含一个全连接层，其输出维度与原始任务的类别数相匹配。为了适应新任务的类别数，需要将最后一层全连接层替换为新的全连接层。代码如下：

num_classes = 10  # 新任务的类别数
model.fc = torch.nn.Linear(model.fc.in_features, num_classes)

微调模型接下来，我们定义损失函数和优化器，并对模型进行微调：

criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)

# 微调模型
model.train()
for epoch in range(num_epochs):
    for images, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

评估模型性能在微调完成后，可以对模型在验证集上进行评估：

model.eval()
correct = 0
total = 0
with torch.no_grad():
    for images, labels in val_loader:
        outputs = model(images)
        _, predicted = torch.max(outputs, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

accuracy = correct / total
print('Validation accuracy: {:.2f}%'.format(100 * accuracy))

通过以上步骤，我们完成了使用PyTorch进行迁移学习和微调的教程。希朇对你有所帮助！

微调(Fine-tuning)