PyTorch中Squeezenet1_1权重参数设置疑问及自定义分类器参数确认

一、weights=True和weights=False的核心区别 #

• weights=True：会加载官方在ImageNet数据集上预训练好的权重。这些权重已经让模型学会了提取通用的图像特征（比如边缘、纹理、基础物体轮廓这类），相当于模型已经具备了基础的视觉认知能力。
• weights=False：不会加载任何预训练权重，模型的所有参数都是随机初始化的，相当于一张白纸，需要完全从头开始训练它识别特征。

二、自定义数据集（头盔/背包/眼镜分类）该怎么选？ #

不建议直接用weights=False，反而更推荐用weights=True做迁移学习，原因如下：

1. 自定义数据集通常数据量不会特别大，从头训练（weights=False）很容易出现过拟合，而且训练耗时久、最终效果差。
2. 预训练权重带来的通用特征提取能力，能帮你快速适配自定义类别——你只需要修改模型最后一层的分类器，把输出类别数改成你自己的类别数（比如3类：头盔、背包、眼镜），然后只训练这一层（或者微调前面的部分层）就能得到不错的效果。

只有当你的自定义数据集规模极大，而且和ImageNet的图像风格/领域差异特别大（比如都是医学影像、卫星图这类），才考虑用weights=False从头训练，但这种场景很少见。

内容的提问来源于stack exchange，提问作者newbieLife