pytorch修改预训练模型的结构，增加网络，获取中间层特征数据

想借助几个预训练模型，提取出中间层的特征。比如resnet50，最后两层是这样

我的目的是提取多个预训练模型最后层的特征，并且想要保证同一维度，所以希望添加一个模块，例如将resnet50的fc改造成这样，每个预训练模型的最后层都能从in_features改变成256维度。
但问题来了，pytorch 提取中间层特征，只能提取到model的根节点，例如global_pool或者fc层，想要拿到fc中的第0层没有办法。
于是想把fc改成两层，第一层为Liner(2048,256),第二层为剩余的relu,dropout,linear(256,2).
于是使用了add_module，先把原来fc删了，然后用add_module添加刚才这两层。
结果发现loss居然变成负的了，检查发现，输出的维度居然不一样。才反应过来，这只是改了网络结构定义，在forward里面没有真正执行。
后来找到这个https://www.jb51.net/article/167928.htm
想改的话必须要把整个网络重写一遍才行。复制粘贴下，共未来参考。
resnet_layer = nn.Sequential(*list(model.children())[:-2])

class Net(nn.Module):
def init(self , model):
super(Net, self).init()
#取掉model的后两层
self.resnet_layer = nn.Sequential(*list(model.children())[:-2])

self.transion_layer = nn.ConvTranspose2d(2048, 2048, kernel_size=14, stride=3)
self.pool_layer = nn.MaxPool2d(32) 
self.Linear_layer = nn.Linear(2048, 8)

def forward(self, x):
x = self.resnet_layer(x)

x = self.transion_layer(x)

x = self.pool_layer(x)

x = x.view(x.size(0), -1) 

x = self.Linear_layer(x)
 
return x