Torchvision.models包里面包含了常见的各种基础模型架构，主要包括以下几种：（我们以ResNet50模型作为此次演示的例子）
AlexNet
VGG
ResNet
SqueezeNet
DenseNet
Inception v3
GoogLeNet
ShuffleNet v2
MobileNet v2
ResNeXt
Wide ResNet
MNASNet
首先加载ResNet50模型，如果如果需要加载模型本身的参数，需要使用pretrained=True，代码如下
import torchvisionfrom torchvision import modelsresnet50 = models.resnet50(pretrained=True) #pretrained=True 加载模型以及训练过的参数print(resnet50)# 打印输出观察一下resnet50到底是怎么样的结构打印输出后ResNet50部分结构如下图，其中红框的全连接层是需要关注的点。全连接层中，“resnet50” 的out_features=1000，这也就是说可以进行class=1000的分类。
由于我们正常所使用的分类场景大概率与resnet50的分类数不一样，所以在调用时，要使用out_features=分类数进行调整。假设我们采用CIFAR10数据集（10 class）进行测试，那么我们就需要修改全连接层，out_features=10。具体代码如下：
resnet50 = models.resnet50(pretrained=True)num_ftrs = resnet50.fc.in_features for param in resnet50.parameters():param.requires_grad = False #False：冻结模型的参数，也就是采用该模型已经训练好的原始参数。只需要训练我们自己定义的Linear层#保持in_features不变，修改out_features=10resnet50.fc = nn.Sequential(nn.Linear(num_ftrs,10),nn.LogSoftmax(dim=1))一个简单完整的 CIFAR10+ResNet50 训练代码如下：
import torchimport torchvisionfrom torch import nnfrom torch.utils.data import DataLoaderfrom torchvision import models#下载CIFAR10数据集train_data = torchvision.datasets.CIFAR10(root="../data",train=True,transform=torchvision.transforms.ToTensor(),download=False)test_data = torchvision.datasets.CIFAR10(root="../data",train=False,transform=torchvision.transforms.ToTensor(), download=False)train_data_size = len(train_data)test_data_size = len(test_data)print("The size of Train_data is {}".format(train_data_size))print("The size of Test_data is {}".format(test_data_size))#dataloder进行数据集的加载train_dataloader = DataLoader(train_data,batch_size=128)test_dataloader = DataLoader(test_data,batch_size=128)resnet50 = models.resnet50(pretrained=True)num_ftrs = resnet50.fc.in_featuresfor param in resnet50.parameters():param.requires_grad = False #False：冻结模型的参数，# 也就是采用该模型已经训练好的原始参数。#只需要训练我们自己定义的Linear层resnet50.fc = nn.Sequential(nn.Linear(num_ftrs,10),nn.LogSoftmax(dim=1))# 网络模型cudaif torch.cuda.is_available():resnet50 = resnet50.cuda()#lossloss_fn = nn.CrossEntropyLoss()if torch.cuda.is_available():loss_fn = loss_fn.cuda()#optimizerlearning_rate = 0.01optimizer = torch.optim.SGD(resnet50.parameters(),lr=learning_rate,)#设置网络训练的一些参数#记录训练的次数total_train_step = 0#记录测试的次数total_test_step = 0#训练的轮数epoch = 10for i in range(epoch):print("-------第{}轮训练开始-------".format(i+1))resnet50.train()#训练步骤开始for data in train_dataloader:imgs, targets = dataif torch.cuda.is_available():# 图像cuda；标签cuda# 训练集和测试集都要有imgs = imgs.cuda()targets = targets.cuda()outputs = resnet50(imgs)loss = loss_fn(outputs, targets)# 优化器优化模型optimizer.zero_grad()loss.backward()optimizer.step()total_train_step = total_train_step + 1if total_train_step % 100 == 0:print("训练次数：{}, Loss: {}".format(total_train_step, loss.item()))#writer.add_scalar("train_loss", loss.item(), total_train_step)#测试集total_test_loss = 0with torch.no_grad():for data in test_dataloader:imgs, targets = dataif torch.cuda.is_available():# 图像cuda；标签cuda# 训练集和测试集都要有imgs = imgs.cuda()targets = targets.cuda()outputs = resnet50(imgs)loss = loss_fn(outputs,targets)total_test_loss += loss.item()total_test_step += 1if total_test_step % 100 ==0:print("测试次数：{}，Loss：{}".format(total_test_step,total_test_loss))完美！！！！！
剩下的大家可以举一反三，继续探索。。。。