DAY 44 训练

---

预训练模型与迁移学习：从理论到实践

在深度学习领域，预训练模型和迁移学习是提升模型性能、加速训练过程的关键技术。本文将深入探讨预训练的概念、经典预训练模型及其应用场景，并通过实际代码示例展示如何在项目中高效运用迁移学习。

一、预训练模型的基本概念

在深度学习模型训练过程中，参数初始化对训练效果有着显著影响。若初始参数接近最优解，训练过程可大幅缩短，且能有效规避局部最优问题。预训练模型正是基于此思想：利用大规模数据集预训练得到的模型参数，作为我们模型的初始参数。

当目标任务与预训练任务相似时，预训练模型提取的通用特征对目标任务极具价值。例如，若预训练模型是在大规模图像数据集（如 ImageNet）上训练的，它学到的特征提取能力（如边缘、纹理检测等低层特征）可迁移到其他图像相关任务中。

对比而言，像 CIFAR-10 这样的小规模数据集不适合作为预训练数据集。其仅包含 10 万张 32x32 小尺寸图像、10 个类别，难以支撑复杂模型学习通用视觉特征。而 ImageNet 数据集凭借 1000 个类别、1.2 亿张图像、224x224 尺寸，成为预训练的优质选择。

二、经典预训练模型

CNN 架构预训练模型

• AlexNet ：首次引入 ReLU 激活函数、局部响应归一化等创新，在 ImageNet 上取得突破性成果。在适配 CIFAR-10 时，需修改首层卷积核大小。
• VGG16 ：以纯卷积堆叠、结构统一为特点，参数量庞大。微调时，通常冻结前 10 层卷积，仅调整全连接层。
• ResNet18 ：通过残差连接解决梯度消失问题。适配 CIFAR-10 时，可直接输入 32x32 图像，但需调整池化层步长。
• MobileNetV2 ：采用深度可分离卷积，设计轻量级，在计算资源受限场景表现出色。

Transformer 类预训练模型

适用于较大尺寸图像，如 224x224。在 CIFAR-10 上应用时，需对图像尺寸或 Patch 大小进行调整。

• ViT-Base ：纯 Transformer 架构，在 ImageNet-21K 上预训练。使用时需将图像 Resize 至 224x224，设置 Patch 大小为 4x4。
• Swin Transformer ：采用分层窗口注意力机制，在 ImageNet-22K 上预训练，需调整窗口大小适配小图像。
• DeiT ：结合 CNN 归纳偏置，是轻量级 Transformer，适合中小尺寸图像。

自监督预训练模型

无需人工标注，借助 pretext task（如掩码图像重建）学习特征，适用于数据稀缺场景。

• MoCo v3 ：基于对比学习，在 ImageNet 上预训练，无需标签即可迁移，适合处理无标注数据。
• BEiT ：采用掩码图像建模方式，在 ImageNet-22K 上预训练，特征语义丰富，微调时收敛速度更快。

三、常见分类预训练模型介绍

预训练模型的发展史

从 1998 年 Yann LeCun 等人提出的 LeNet-5 验证 CNN 可行性，到 2012 年 AlexNet 引发深度学习复兴，再到 2015 年 ResNet 解决超深网络训练难题，预训练模型不断发展。后续模型如 DenseNet、MobileNet、EfficientNet 等在特征复用、计算效率、自动化设计等方面持续优化。

• LeNet-5 ：首个 CNN 架构，包含卷积层、池化层、全连接层，采用 Sigmoid 激活函数，主要用于手写数字识别（MNIST）。
• AlexNet ：引入 ReLU 激活函数、Dropout、数据增强及 GPU 训练等技术，在 ImageNet 上取得 15.3% 的 Top-5 错误率，推动了大规模图像分类发展。
• VGGNet ：采用统一 3×3 卷积核、多尺度特征提取，结构简洁，ImageNet Top-5 错误率低至 7.3% / 7.0%，常作为图像分类、目标检测基础骨干网络。
• GoogLeNet ：提出 Inception 模块（多分支并行卷积）、1×1 卷积降维及全局平均池化，ImageNet Top-5 错误率 6.7%，在保持精度的同时降低参数量。
• ResNet ：通过残差连接解决梯度消失问题，并引入 Batch Normalization，不同版本（18/50/152 层）在 ImageNet Top-5 错误率表现优异，适用于多种视觉任务。
• DenseNet ：采用密集连接，实现特征复用，提高参数效率，在小数据集、医学图像处理等场景表现出色。
• MobileNet ：利用深度可分离卷积减少计算量，设计轻量级，适配移动端图像分类与检测。
• EfficientNet ：基于复合缩放（同时优化深度、宽度、分辨率）及 NAS 搜索结果，不同配置（B0-B7）在高精度图像分类，尤其是资源受限场景中表现突出。

预训练模型的训练策略关键在于找到合适结构并加载参数。调用预训练模型进行微调时，需注意调用模型及加载权重、resize 图像适配模型、修改全连接层适应数据集。训练时，先冻结特征提取器参数训练全连接层，若干 epoch 后解冻训练，以保护初始特征提取能力。

四、实践：在 CIFAR-10 上微调 ResNet18

以下为基于 PyTorch 在 CIFAR-10 数据集上微调 ResNet18 的代码示例：

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms, models
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt
import os# 设置中文字体支持
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题# 检查GPU是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"使用设备: {device}")# 1. 数据预处理（训练集增强，测试集标准化）
train_transform = transforms.Compose([transforms.RandomCrop(32, padding=4),transforms.RandomHorizontalFlip(),transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1),transforms.RandomRotation(15),transforms.ToTensor(),transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))
])test_transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))
])# 2. 加载CIFAR-10数据集
train_dataset = datasets.CIFAR10(root='./data',train=True,download=True,transform=train_transform
)test_dataset = datasets.CIFAR10(root='./data',train=False,transform=test_transform
)# 3. 创建数据加载器
batch_size = 64
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)# 4. 定义ResNet18模型
def create_resnet18(pretrained=True, num_classes=10):model = models.resnet18(pretrained=pretrained)# 修改最后一层全连接层in_features = model.fc.in_featuresmodel.fc = nn.Linear(in_features, num_classes)return model.to(device)# 5. 冻结/解冻模型层的函数
def freeze_model(model, freeze=True):"""冻结或解冻模型的卷积层参数"""# 冻结/解冻除fc层外的所有参数for name, param in model.named_parameters():if 'fc' not in name:param.requires_grad = not freeze# 打印冻结状态frozen_params = sum(p.numel() for p in model.parameters() if not p.requires_grad)total_params = sum(p.numel() for p in model.parameters())if freeze:print(f"已冻结模型卷积层参数 ({frozen_params}/{total_params} 参数)")else:print(f"已解冻模型所有参数 ({total_params}/{total_params} 参数可训练)")return model# 6. 训练函数（支持阶段式训练）
def train_with_freeze_schedule(model, train_loader, test_loader, criterion, optimizer, scheduler, device, epochs, freeze_epochs=5):"""前freeze_epochs轮冻结卷积层，之后解冻所有层进行训练"""train_loss_history = []test_loss_history = []train_acc_history = []test_acc_history = []all_iter_losses = []iter_indices = []# 初始冻结卷积层if freeze_epochs > 0:model = freeze_model(model, freeze=True)for epoch in range(epochs):# 解冻控制：在指定轮次后解冻所有层if epoch == freeze_epochs:model = freeze_model(model, freeze=False)# 解冻后调整优化器（可选）optimizer.param_groups[0]['lr'] = 1e-4  # 降低学习率防止过拟合model.train()  # 设置为训练模式running_loss = 0.0correct_train = 0total_train = 0for batch_idx, (data, target) in enumerate(train_loader):data, target = data.to(device), target.to(device)optimizer.zero_grad()output = model(data)loss = criterion(output, target)loss.backward()optimizer.step()# 记录Iteration损失iter_loss = loss.item()all_iter_losses.append(iter_loss)iter_indices.append(epoch * len(train_loader) + batch_idx + 1)# 统计训练指标running_loss += iter_loss_, predicted = output.max(1)total_train += target.size(0)correct_train += predicted.eq(target).sum().item()# 每100批次打印进度if (batch_idx + 1) % 100 == 0:print(f"Epoch {epoch+1}/{epochs} | Batch {batch_idx+1}/{len(train_loader)} "f"| 单Batch损失: {iter_loss:.4f}")# 计算 epoch 级指标epoch_train_loss = running_loss / len(train_loader)epoch_train_acc = 100. * correct_train / total_train# 测试阶段model.eval()correct_test = 0total_test = 0test_loss = 0.0with torch.no_grad():for data, target in test_loader:data, target = data.to(device), target.to(device)output = model(data)test_loss += criterion(output, target).item()_, predicted = output.max(1)total_test += target.size(0)correct_test += predicted.eq(target).sum().item()epoch_test_loss = test_loss / len(test_loader)epoch_test_acc = 100. * correct_test / total_test# 记录历史数据train_loss_history.append(epoch_train_loss)test_loss_history.append(epoch_test_loss)train_acc_history.append(epoch_train_acc)test_acc_history.append(epoch_test_acc)# 更新学习率调度器if scheduler is not None:scheduler.step(epoch_test_loss)# 打印 epoch 结果print(f"Epoch {epoch+1} 完成 | 训练损失: {epoch_train_loss:.4f} "f"| 训练准确率: {epoch_train_acc:.2f}% | 测试准确率: {epoch_test_acc:.2f}%")# 绘制损失和准确率曲线plot_iter_losses(all_iter_losses, iter_indices)plot_epoch_metrics(train_acc_history, test_acc_history, train_loss_history, test_loss_history)return epoch_test_acc  # 返回最终测试准确率# 7. 绘制Iteration损失曲线
def plot_iter_losses(losses, indices):plt.figure(figsize=(10, 4))plt.plot(indices, losses, 'b-', alpha=0.7)plt.xlabel('Iteration（Batch序号）')plt.ylabel('损失值')plt.title('训练过程中的Iteration损失变化')plt.grid(True)plt.show()# 8. 绘制Epoch级指标曲线
def plot_epoch_metrics(train_acc, test_acc, train_loss, test_loss):epochs = range(1, len(train_acc) + 1)plt.figure(figsize=(12, 5))# 准确率曲线plt.subplot(1, 2, 1)plt.plot(epochs, train_acc, 'b-', label='训练准确率')plt.plot(epochs, test_acc, 'r-', label='测试准确率')plt.xlabel('Epoch')plt.ylabel('准确率 (%)')plt.title('准确率随Epoch变化')plt.legend()plt.grid(True)# 损失曲线plt.subplot(1, 2, 2)plt.plot(epochs, train_loss, 'b-', label='训练损失')plt.plot(epochs, test_loss, 'r-', label='测试损失')plt.xlabel('Epoch')plt.ylabel('损失值')plt.title('损失值随Epoch变化')plt.legend()plt.grid(True)plt.tight_layout()plt.show()# 主函数：训练模型
def main():# 参数设置epochs = 40  # 总训练轮次freeze_epochs = 5  # 冻结卷积层的轮次learning_rate = 1e-3  # 初始学习率weight_decay = 1e-4  # 权重衰减# 创建ResNet18模型（加载预训练权重）model = create_resnet18(pretrained=True, num_classes=10)# 定义优化器和损失函数optimizer = optim.Adam(model.parameters(), lr=learning_rate, weight_decay=weight_decay)criterion = nn.CrossEntropyLoss()# 定义学习率调度器scheduler = optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', factor=0.5, patience=2, verbose=True)# 开始训练（前5轮冻结卷积层，之后解冻）final_accuracy = train_with_freeze_schedule(model=model,train_loader=train_loader,test_loader=test_loader,criterion=criterion,optimizer=optimizer,scheduler=scheduler,device=device,epochs=epochs,freeze_epochs=freeze_epochs)print(f"训练完成！最终测试准确率: {final_accuracy:.2f}%")# # 保存模型# torch.save(model.state_dict(), 'resnet18_cifar10_finetuned.pth')# print("模型已保存至: resnet18_cifar10_finetuned.pth")if __name__ == "__main__":main()

浙大疏锦行