Отображение ошибки: у объекта 'Re sNet' нет атрибута 'классификатор' - PullRequest
Новая
       103

Отображение ошибки: у объекта 'Re sNet' нет атрибута 'классификатор'

1 голос
/ 02 февраля 2020

Я загружаю модель Resnet18 для обучения модели.

Когда я печатаю 

model

, она показывает 

ResNet(
  (conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)
  (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (relu): ReLU(inplace=True)
  (maxpool): MaxPool2d(kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)
  (layer1): Sequential(
    (0): BasicBlock(
      (conv1): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
      (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    )
    (1): BasicBlock(
      (conv1): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
      (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    )
  )

  (layer3): Sequential(
    (0): BasicBlock(
      (conv1): Conv2d(128, 256, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
      (bn1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
      (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (downsample): Sequential(
        (0): Conv2d(128, 256, kernel_size=(1, 1), stride=(2, 2), bias=False)
        (1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      )
    )
    (1): BasicBlock(
      (conv1): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn1): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
      (conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    )
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(1, 1))
  (fc): Linear(in_features=512, out_features=1000, bias=True)
  (classifer): Sequential(
    (fc1): Linear(in_features=512, out_features=256, bias=True)
    (relu): ReLU()
    (fc5): Linear(in_features=128, out_features=2, bias=True)
    (output): LogSoftmax()
  )
)

Как вы можете видеть, она четко показывает классификатор

но когда я делаю 

optimizer = optim.Adam(model.classifier.parameters(), lr=0.001)

, это показывает ошибку 

AttributeError: 'ResNet' object has no attribute 'classifier'

Я не знаю, какую ошибку я делаю, если вы можете помочь, это будет Великий. Я могу предоставить некоторые дополнительные детали, если хотите.

Ответы [ 2 ]

0 голосов
/ 02 февраля 2020

Если вы хотите обучить только классификатору, вы можете заморозить параметры, которые вы не хотите изменять. Для вашего случая вы можете сделать 

for name, param in model.named_parameters() :
    param.requires_grad = False
    if name.startswith('classifier') : 
        param.requires_grad = True

Это заморозит все параметры, кроме классификатора.

И затем вы можете сделать то, что другой ответ предлагает то есть передать все параметры оптимизатору. 

optimizer = optim.Adam(model.parameters(), lr=0.001)
0 голосов
/ 02 февраля 2020

Удалите classifier и оставьте его только model.parameters(). 

optimizer = optim.Adam(model.parameters(), lr=0.001)

Чтобы создать Optimizer, вы должны предоставить ему итерацию, содержащую параметры для оптимизации.

...