huggingface transfromers基于预训练模型进行调优

以Resnet为例，找到了一个微软的resnet-50的预训练模型

from transformers import AutoImageProcessor, ResNetForImageClassification

# 加载前处理处理器，自动构建；功能：输入图片，输出Tenser(1, 3, 224, 224)
processor = AutoImageProcessor.from_pretrained("microsoft/resnet-50")
# 加载与训练模型
model = ResNetForImageClassification.from_pretrained("microsoft/resnet-50")

from datasets import load_dataset
import numpy as np

# 目录结构加载数据集
"""
目录结构如下：
flowers102_dir
├── train
│   ├── 0
│   │   ├── image_06736.jpg
│   │   └── image_06771.jpg
│   ├── 1
│   │   ├── image_05091.jpg
│   │   └── image_05146.jpg
│   └── 99
│       ├── image_07900.jpg
│       └── image_07941.jpg
└── validation
    ├── 0
    │   ├── image_06738.jpg
    │   └── image_06773.jpg
    ├── 1
    │   ├── image_05100.jpg
    │   └── image_05138.jpg
    └── 99
        ├── image_07902.jpg
        └── image_07935.jpg
"""
dataset = load_dataset("imagefolder", data_dir="/test/flowers102_dir")

# 定义转换函数，这个地方遇到了坑。
# 重要：前处理的输出为(1, 3, 224, 224)，但是此处的pixel_values需要的是(3, 224, 224)，所以需要reshape或者降维
def trans(row):
    row["pixel_values"] = np.asarray(processor(row["image"])["pixel_values"][0])
    return row

train_dataset = dataset['train'].map(trans)
val_dataset = dataset['validation'].map(trans)

from transformers import TrainingArguments, Trainer

# 可以自行根据需要设置训练参数
training_args = TrainingArguments(output_dir="test_trainer", evaluation_strategy="epoch")

# 构建Trainer，参数还有很多，此处为最基本的。
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=train_dataset,
    eval_dataset=val_dataset,
)

# 开始训练
trainer.train()