Поезд SqueezeNet модель с использованием набора данных MNIST Pytorch

TorchVision предоставляет только предварительно обработанную модель данных ImageNet для архитектуры SqueezeNet. Тем не менее, вы можете обучить свою собственную модель с использованием набора данных MNIST, взяв только модель (но не предварительно подготовленную) с torchvision.models.

In [10]: import torchvision as tv

# get the model architecture only; ignore 'pretrained' flag
In [11]: squeezenet11 = tv.models.squeezenet1_1()

In [12]: squeezenet11.training   
Out[12]: True

Теперь вы можете использовать эту архитектуру для обучения модели по данным MNIST, что не должно занять слишком много времени.

Одна из модификаций, которые следует учитывать, - это обновить количество классов, для которых 10 для MNIST. В частности, 1000 должно быть изменено на 10, а ядро и шаг соответственно.

  (classifier): Sequential(
    (0): Dropout(p=0.5)
    (1): Conv2d(512, 1000, kernel_size=(1, 1), stride=(1, 1))
    (2): ReLU(inplace)
    (3): AvgPool2d(kernel_size=13, stride=1, padding=0)
  )

Здесь соответствующее объяснение: finetuning_torchvision_models-squeezenet