Python 如何将使用挤压网预训练模型的pytorch代码转换为tensorflow

我有以下pytorch代码：

model = models.squeezenet1_1(pretrained=True)

num_classes = 2
model.classifier = nn.Sequential (
    nn.Dropout(0.1),
    nn.Conv2d(512, num_classes, kernel_size= (1,1), stride= (1,1)),
    nn.ReLU(), 
    nn.AvgPool2d(kernel_size= 13, stride= 1, padding= 0)
    )
model.num_classes = num_classes
criterion = nn.CrossEntropyLoss()

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

我想把这段代码转换成tensorflow，因为我需要使用tensorflow而不是pytorch。我查了一些东西，不太明白怎么做

由于keras_SqueezeNet软件包，我已经能够获得一个预训练的SqueezeNet模型（尽管它在我加载模型时会导致numpy出现一些未来的弃用警告），但是我如何才能像在pytorch中那样更改加载的模型的分类器、优化器和类数呢

我正在使用tensorflow 1.14.0和keras 2.3.1（由于某些原因，我无法启动tensorflow 2）

此外，由于会话权限，我只使用CPU

编辑感谢@Albert：

现在，我已经从我的软件包中加载了模型，并且设置了我将使用的不同图像文件夹：

datagen = ImageDataGenerator()
# load and iterate training dataset
train_it = datagen.flow_from_directory('path to my training', class_mode='binary', batch_size=32)
# load and iterate validation dataset
val_it = datagen.flow_from_directory('path to my validation', class_mode='binary', batch_size=32)
# load and iterate test dataset
test_it = datagen.flow_from_directory('path to my test', class_mode='binary', batch_size=32)

model = SqueezeNet(weights='imagenet')

我发现您必须使用model.compile来指定keras的优化器和损失，因此我认为它可能看起来像这样，如果我错了，请纠正我：

model.compile(loss='BinaryCrossentropy',optimizer='Adam',metrics=['accuracy'])

如果它是正确的，那么我只需要这样做

model.classifier = nn.Sequential (
    nn.Dropout(0.1),
    nn.Conv2d(512, num_classes, kernel_size= (1,1), stride= (1,1)),
    nn.ReLU(), 
    nn.AvgPool2d(kernel_size= 13, stride= 1, padding= 0)
    )
model.num_classes = num_classes

---

在tenserflow/keras中；我该怎么做呢？

你也应该展示你当前的TF代码，并链接到你所指的keras_squeezenet软件包（我不知道）。你也许还应该问一些更具体（单独）的问题。例如，“我有这个TF代码：…，我如何将优化器更改为Adam？”@Albert Hello，谢谢你的评论我编辑了我的帖子，认为我的方向是正确的，你有什么建议吗？非常感谢。正如我所看到的，你不是简单地调用

squezenet（…，classes=num_classes）

？我还是不太明白问题到底出在哪里。你发布了一些代码。它有用吗？或者什么东西不起作用？（你有错误吗？或者某事物出错了吗？请提供这些信息…）从代码中我们可以看到，由于SqueezeNet在1000上预训练，因此权重只能用于1000类。我想进行微调，所以在pytorch上，我更改了model.classifier和类的数量，这样它就可以满足我对两个类的特定需求，并且我仍然可以获得预先训练的权重，从而加快我的训练。在这里，我需要让默认类（1000）加载权重，然后在最后一层中将其更改为2，但是当我检查tensorflow中的层时，conv2d在pytorch中声明时没有（通道内，通道外），所以我不知道要做什么。所以现在我唯一的错误是“BinaryCrossEntropy”我在model.compile中使用的loss，我不认为我使用了正确的crossentropy函数，我将在loss函数文档中再次检查，我需要与Pytorchy中的CrossEntropyLoss相同的函数。您可能还应该显示您当前的TF代码，并链接到您所指的keras_squeezenet包（我不知道）。你也许还应该问一些更具体（单独）的问题。例如，“我有这个TF代码：…，我如何将优化器更改为Adam？”@Albert Hello，谢谢你的评论我编辑了我的帖子，认为我的方向是正确的，你有什么建议吗？非常感谢。正如我所看到的，你不是简单地调用

squezenet（…，classes=num_classes）

？我还是不太明白问题到底出在哪里。你发布了一些代码。它有用吗？或者什么东西不起作用？（你有错误吗？或者某事物出错了吗？请提供这些信息…）从代码中我们可以看到，由于SqueezeNet在1000上预训练，因此权重只能用于1000类。我想进行微调，所以在pytorch上，我更改了model.classifier和类的数量，这样它就可以满足我对两个类的特定需求，并且我仍然可以获得预先训练的权重，从而加快我的训练。在这里，我需要让默认类（1000）加载权重，然后在最后一层中将其更改为2，但是当我检查tensorflow中的层时，conv2d在pytorch中声明时没有（通道内，通道外），所以我不知道要做什么。所以现在我唯一的错误是“BinaryCrossEntropy”我在model.compile中使用的丢失，我认为我没有使用正确的crossentropy函数，我将在丢失函数文档中再次检查，我需要与pytorch中的CrossEntropyLoss相同的函数