使用Python编写的torchvision.modelsmobilenet_v2模块

torchvision.models 模块是 PyTorch 提供的预训练模型的集合，其中包括了 MobileNetV2。MobileNetV2 是一种轻量级的深度卷积神经网络，适用于移动和嵌入式设备上的图像分类任务。下面是使用 Python 编写的一个使用例子。

首先，我们需要导入必要的库和模块：

import torch
import torch.nn as nn
import torchvision.models as models
import torchvision.transforms as transforms
import torchvision.datasets as datasets

接下来，我们需要加载和预处理数据集。这里我们以 ImageNet 数据集为例，使用 torchvision.datasets.ImageNet 类加载数据集，并使用 torchvision.transforms 对数据集进行预处理：

transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

train_dataset = datasets.ImageNet(root='./data', split='train', download=True, transform=transform)
test_dataset = datasets.ImageNet(root='./data', split='val', download=True, transform=transform)

train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=32, shuffle=False)

接下来，我们可以创建一个 MobileNetV2 实例，并加载预训练的权重：

model = models.mobilenet_v2(pretrained=True)

然后，我们可以定义损失函数和优化器：

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

接下来，我们可以开始训练模型：

num_epochs = 10

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = model.to(device)

for epoch in range(num_epochs):
    model.train()
    running_loss = 0.0
    
    for images, labels in train_loader:
        images = images.to(device)
        labels = labels.to(device)
        
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        
        running_loss += loss.item()
    
    # 输出每个 epoch 的损失函数值
    print(f'Epoch {epoch+1}/{num_epochs}, Loss: {running_loss/len(train_loader)}')

最后，我们可以在测试集上评估模型的性能：

model.eval()
correct = 0
total = 0

with torch.no_grad():
    for images, labels in test_loader:
        images = images.to(device)
        labels = labels.to(device)
        
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

# 输出模型在测试集上的准确率
print(f'Accuracy on the test set: {100 * correct / total}%')

这就是使用 Python 编写的一个使用 torchvision.models.mobilenet_v2 模块的例子。通过这个例子，我们可以加载预训练的 MobileNetV2 模型，对图像进行分类，并在训练和测试集上评估模型的性能。