厦门知名网站建设,短视频运营方案策划书,做集团网站的,滑动网站使用同一个框架#xff0c;独立在一个数据集上面#xff0c;分别训练多次#xff0c;每个单独模型训练超参数可以一样#xff0c;也可以不一样#xff0c;最后若干个训练好的独立模型在测试集数据上面做最后集中决策。 实例代码如下#xff1a; class MyEnsemble(nn.Modu…使用同一个框架独立在一个数据集上面分别训练多次每个单独模型训练超参数可以一样也可以不一样最后若干个训练好的独立模型在测试集数据上面做最后集中决策。 实例代码如下 class MyEnsemble(nn.Module):def __init__(self, modelA, modelB, nb_classes10):super(MyEnsemble, self).__init__()self.modelA modelAself.modelB modelB# Remove last linear layerself.modelA.fc nn.Identity()self.modelB.fc nn.Identity()# Create new classifierself.classifier nn.Linear(2048512, nb_classes)def forward(self, x):x1 self.modelA(x.clone()) # clone to make sure x is not changed by inplace methodsx1 x1.view(x1.size(0), -1)x2 self.modelB(x)x2 x2.view(x2.size(0), -1)x torch.cat((x1, x2), dim1)x self.classifier(F.relu(x))return x# Train your separate models
# ...
# We use pretrained torchvision models here
modelA models.resnet50(pretrainedTrue)
modelB models.resnet18(pretrainedTrue)# Freeze these models
for param in modelA.parameters():param.requires_grad_(False)for param in modelB.parameters():param.requires_grad_(False)# Create ensemble model
model MyEnsemble(modelA, modelB)
x torch.randn(1, 3, 224, 224)
output model(x)
