在原有网络模型基础上更改网络输出

更改现有网络模型vgg16
现以ImageNet数据集为例，神经网络选取VGG16。
vgg16 网络有1000个输出，数据集 ImageNet 有1000个类别。
想要将vgg16网络应用到其他数据集（10个类别），可以修改该网络输出。

vgg16网络模型

法1：直接在后面加一层

vgg16_True.add_module("add_linear",nn.Linear(1000,10))

法2 ： 可以把新添加的层，放在classifier的框架底子，变成classifier的子集

vgg16_True.classifier.add_module("add_linear",nn.Linear(1000,10))

法3 ：直接在classifier上修改第六层输出为10

vgg16_True.classifier[6] = nn.Linear(4096,10)

更改后：
N 为 batch_size
输入数据
（N,C_in ,H_in ,W_in ）= （N,3 ,224 ,224 ）
输出数据
（N,10 ）

代码：

import torch
import torchvision.datasets
from torch import nn
from torch.nn import Conv2d,MaxPool2d,Flatten,Linear,Sequential
from torch.utils.data import DataLoader
from torchvision import transforms

# 参数pretrained为True : 可以加载网络架构以及训练好的参数
# 参数pretrained为False : 只加载网络架构以及与初始化参数

# # 数据集 ImageNet  这个数据集100G  不下了  直接设置 网络的参数pretrained为True
# dataset_transform = transforms.Compose([transforms.ToTensor()])  # 数据集图片  PIL-->tensor
#
# train_set = torchvision.datasets.ImageNet(root="./dataset3",split="train",download=True,transform=dataset_transform)
# test_set = torchvision.datasets.ImageNet(root="./dataset3", split="train", download=True,transform=dataset_transform)

# # 加载数据 一次加载64张；打乱顺序；一次性创建num_worker个worker，数值越大，寻batch速度越快；剩余的64除不尽的丢弃数据
# test_loader = DataLoader(dataset=test_set, batch_size=64, shuffle=True, num_workers=0, drop_last=True)

# 加载网络模型vgg16 参数pretrained为True
vgg16_False = torchvision.models.vgg16(pretrained=False)
vgg16_True = torchvision.models.vgg16(pretrained=True)
print(vgg16_True)  # 网络输入   网络输出1000（数据集 ImageNet有1000个类别）

# 数据集 CIFAR10  有10个类别  可以改动现有vgg16网络结构，使之输出为10类
# 法1
# vgg16_True.add_module("add_linear",nn.Linear(1000,10))
# print(vgg16_True)

# # 法2  可以把新添加的层，放在classifier的框架底子，变成classifier的子集
# vgg16_True.classifier[6] = nn.Linear(4096,10)
# print(vgg16_True)

# 法3
vgg16_True.classifier[6] = nn.Linear(4096,10)
print(vgg16_True)