pytoch加载模型最后一层（grad-cam）

一、grad-cam加载网络模型

可以通过model = models.mobilenet_v3_large(pretrained=True)直接加载网上的预训练模型，获取的模型具体信息如下：

Mobilenet是继承来自nn.module类，包含了 backbone 和 classifier 两个由 Sequential 容器组成的 nn.Module 子类，backbone 和 classifier 各自又包含一些网络层，这些网络层也都属于 nn.Module 子类，所以从外到内共有三级
1、Mobilenet（nn.Module子类）
2、backbone 和 classifier（Sequential，nn.Module子类），是 Net 的子网络层
3、具体的网络层如 conv，relu，batchnorm 等（nn.Module子类），是 backbone 或 classifier 的子网络层

二、获取目标层语句

FasterRCNN: model.backbone
Resnet18 and 50: model.layer4[-1]
VGG and densenet161: model.features[-1]
mnasnet1_0: model.layers[-1]
ViT: model.blocks[-1].norm1
SwinT: model.layers[-1].blocks[-1].norm1

三、pytorch加载模型参数拓展

model的相关方法：

方法	返回类型
modules()	generator（生成器）
named_modules()	generator
children()	generator
named_parameters()	generator
parameters()	generator
state_dict()	OrderedDict（有序字典）

方法的返回值

方法	返回值
modules()	迭代遍历模型的 所有子层，子层是指继承了 nn.Module 类的层，遍历方式：深度优先
named_modules()	带有 layer name 的 model.modules()，也就是它在 model.modules() 的基础上，还返回这些 layer 的名字，返回的每个元素是一个 tuple，tuple 都一个元素是 layer 名称，第二个元素才是 layer 本身。除了在 model 定义时有明确命名的 backbone 和 classifier，其他 layer 都是按照 PyTorch 内部规则自动命名的。
children()	会遍历 model 的所有子层，也包括所有子层的子层。举个不严谨的例子，就是会遍历树形结构从 root 到 leaf 的所有节点。在上面的例子里，会遍历三级结构的每一个元素。
name.children()	只会获取model第二层网络结构，例如三层网络结构中只获取classifier和backbone，其中mobilenet和backbone、classifier的子层不获取。
parameters()	迭代地返回 模型所有可学习参数，有些 layer 不含有可学习参数（比如 relu、maxpool），因此 model.parameters() 不会输出这些层。
named_parameters()	带有 layer name 的 model.parameters()，每个 tuple 打包了两个元素，分别是 layer name 和 layer param。layer name 的后缀 .weight 和 .bias 用于区分权重和偏置。
state_dict()	能够获取 模型中的所有参数，包括可学习参数和不可学习参数，其返回值是一个有序字典 OrderedDict

参考网址：https://yaoyz.blog.csdn.net/article/details/125065271?spm=1001.2101.3001.6650.5&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-5-125065271-blog-123571932.pc_relevant_multi_platform_whitelistv3&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-5-125065271-blog-123571932.pc_relevant_multi_platform_whitelistv3&utm_relevant_index=6