DeepLearningwithPyTorch

作者

Stevens,etal.

译者

杜小瑞

校对

gongyouliu

编辑

auroral-L

第二章预训练网络

1.一种用于识别图像主题的预训练模型

1.1获取一个用于图像识别的预训练模型

1.2AlexNet

1.ResNet

1.准备完毕，开始运行

1.5运行！

2.一个预训练模型在训练完成之前都是假的

2.1GAN游戏

2.2CycleGAN

2.一个将马变成斑马的网络

.一个用于场景描述的训练神经网络

.1NeuralTalk2

.TorchHub

5.结论

6.练习

7.总结

本章包含：

我们结束了第一章「1.PyTorch库及深度学习介绍」，并承诺在这一章中揭示令人惊奇的事情，现在该交付内容了。由于各种原因，计算机视觉无疑是受深度学习影响最大的领域之一。对自然图像的内容进行分类或解释的需求已经存在，可以获得非常大的数据集供使用，新的构造（如卷积层）被发明出来，可以在GPU上以前所未有的精度快速运行。所有这些因素，加上互联网巨头们渴望了解数以百万计的用户用他们的移动设备拍摄并在他们的平台上托管的照片。由此形成了一场巨大的风暴。

我们将通过下载和运行已经在开放的大规模数据集上训练过的非常有趣的模型来学习如何使用该领域最好的研究人员的工作。我们可以把预训练的神经网络看作是一个接受输入并产生输出的程序。这样一个程序的行为是由神经网络的结构和它在训练中看到的例子，以及根据期望的输入-输出对，或期望的输出应该满足的属性决定的。使用现成的模型可以快速启动深度学习项目，因为它省去了设计模型的研究人员的专业知识，以及训练权重所需的计算时间。

在这一章中，我们将探讨三种流行的预训练模型：一种根据图像内容标注图像的模型，另一种根据真实图像生成新图像的模型，以及一种用恰当的英语句子描述图像内容的模型。我们将学习如何在PyTorch中加载和运行这些预训练的模型，我们将介绍PyTorchHub，这是一组工具，通过这些工具，我们可以很容易地通过统一的界面获得我们将要讨论的预训练的PyTorch模型。在此过程中，我们将讨论数据源，定义像标签这样的术语，并参与竞赛。

如果你是从另一个深度学习框架来学习PyTorch的，并且你更愿意直接学习PyTorch的细节，你可以跳过下面这章。我们将在本章中介绍的内容比基础知识更有趣，并且在某种程度上独立于任何给定的深度学习工具。这并不是说他们不重要！但是如果你在其他深度学习框架中使用过预训练模型，那么你已经知道它们是多么强大。如果你已经熟悉生成对抗网络（GAN）游戏，那么你就不需要我们继续向你解释这一模型。

不过，我们希望你继续阅读，因为这一章隐藏了一些有趣的重要技巧。学习如何使用PyTorch运行预训练模型是一项有用的技能。如果模型已经在大型数据集上进行了训练，那么它就特别有用了，我们需要习惯于在真实数据上获取和运行神经网络，然后可视化和评估其输出，无论我们是否训练了它。

作为我们对深度学习的首次尝试，我们将运行一个在图象识别任务中预先训练过的最先进的深度神经网络。有许多预先训练好的网络可以通过源代码库访问。研究人员通常会发布源代码和论文，并且通常代码带有通过在参考数据集上训练模型获得的权重。使用这些模型之一可以使我们能够花费很少的精力就可以让web服务具备图像识别的功能。

我们将在这里探索的预训练网络是在ImageNet数据集的一个子集上训练的(