pycharm加载VGG

### 如何在 PyCharm 中加载 VGG 模型进行深度学习开发 #### 准备工作环境 为了确保可以在 PyCharm 中顺利运行代码，需先安装必要的库。可以通过命令行工具 pip 安装这些依赖项： ```bash pip install torch torchvision matplotlib pandas numpy ``` #### 创建并配置 Python 虚拟环境 建议创建一个新的虚拟环境来管理项目的依赖关系。这有助于避免不同项目之间的版本冲突。 #### 编写加载 VGG 模型的脚本 下面是一个完整的例子，展示了如何在 PyCharm 中加载预训练好的 VGG16 模型，并对其进行适当调整以便用于特定的任务[^2]。 ```python import torch from torchvision import models, transforms from torch.nn import functional as F from PIL import Image import os device = "cuda" if torch.cuda.is_available() else "cpu" print(f"Using {device} device") # 加载本地保存的权重文件路径 model_path = './checkpoints/vgg16-397923af.pth' # 初始化未预先训练过的VGG16模型结构 model = models.vgg16(pretrained=False) # 将之前下载好的参数加载到新初始化的网络中去 if os.path.exists(model_path): model.load_state_dict(torch.load(model_path, map_location=device)) else: raise FileNotFoundError("Model weights not found.") # 如果需要冻结部分层，则可以这样做 for param in model.features.parameters(): param.requires_grad = False # 对分类器的最后一层做修改以适应新的类别数量 num_features = model.classifier[6].in_features features = list(model.classifier.children())[:-1] # 去掉最后一个线性层 features.extend([torch.nn.Linear(num_features, len(class_names))]) # 添加自定义输出大小的新线性层 model.classifier = torch.nn.Sequential(*features) # 移动模型至GPU/CPU上执行计算 model.to(device) def preprocess_image(image_path): """图像前处理""" transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) img = Image.open(image_path) img_t = transform(img) batch_t = torch.unsqueeze(img_t, 0) return batch_t test_img = "./path_to_your_test_image.jpg" # 替换成实际测试图片的位置 input_tensor = preprocess_image(test_img).to(device) output = model(input_tensor) probabilities = F.softmax(output, dim=1)[0] predicted_class_idx = probabilities.argmax().item() confidence_score = probabilities[predicted_class_idx].item() print(f"The predicted class index is {predicted_class_idx}, with confidence score of {confidence_score:.4f}.") ``` 此段代码实现了如下功能： - 冻结特征提取部分(`model.features`)中的所有参数，防止其更新；仅允许最后几层参与反向传播优化过程 - 更改原有 `classifier` 层的设计，使其能够针对具体应用场景输出正确的类数目 - 提供了一个简单的函数来进行单张图片预测展示