pytorch中修改网络（增减层，修改层参数）

参考文章：
pytorch中的pre-train函数模型引用及修改（增减网络层，修改某层参数等）
(继)pytorch中的pretrain模型网络结构修改

综合来讲，有三种方法

一是加载完模型后直接修改（适用于修改参数）

#调用模型
model = models.resnet50(pretrained=True)
#提取fc层中固定的参数
fc_features = model.fc.in_features
#修改类别为9
model.fc = nn.Linear(fc_features, 9)

这种情况，适用于修改的层在原模型中有名字（可以由self.层的名字获取到)。
如果层在sequential中。因为sequential类型没有定义具体名称，所以只能用数组+索引序号的方式获取。例如model.seq是一个sequential，那么其中的子层就用model.seq[0]、model.seq[n]来获得。

二是修改网络结构（增减卷积层等）

第一种方法只适用于简单的参数修改，有的时候我们往往要修改网络中的层次结构，这时只能用参数覆盖的方法，即自己先定义一个类似的网络，再将预训练中的参数提取到自己的网络中来。
相见参考文献

三是使用nn.module的model.children()的函数，重新定义自己model的层。这个比较灵活高效。

那么对于网络的修改怎样可以快速的去除model本身的网络层呢？
一个继承nn.module的model它包含一个叫做children()的函数，这个函数可以用来提取出model每一层的网络结构，在此基础上进行修改即可，修改方法如下(去除后两层)：

resnet_layer = nn.Sequential(*list(model.children())[:-2])

那么，接下来就可以构建我们的网络了：

• 第一步：

class Net(nn.Module):
    def __init__(self , model):	#此处的model参数是已经加载了预训练参数的模型，方便继承预训练成果
        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

第二步：加载原模型的预训练参数，然后继承原模型的部分结构及相应参数，构建新架构

resnet = models.resnet50(pretrained=True) # 原模型，并加载预训练参数
model = Net(resnet) # 继承原模型的部分结构及相应参数，构建新架构