Deep learning 扁平效率网模型

我正在尝试删除efficientnet pytorch实现中的顶层。然而，如果我按照作者的建议，简单地用我自己的完全连接的层替换最后的

\u fc

层，我担心即使在这个层之后仍然会有

swish

激活，而不是像我预期的那样什么都没有。打印模型时，最后一行如下所示：

（\u bn1）：BatchNorm2d（1280，每股收益=0.001，动量=0.010000000000000009，仿射=True，跟踪运行统计=True）
（_avg_pooling）：AdaptiveAvgPool2d（输出大小=1）
（_辍学）：辍学（p=0.2，原地=假）
（_fc）：顺序(
（0）：线性（输入特征=1280，输出特征=512，偏差=True）
（1） ：ReLU（）
（2） ：辍学（p=0.25，原地=假）
（3） ：线性（输入特征=512，输出特征=128，偏差=真）
（4） ：ReLU（）
（5） ：辍学（p=0.25，原地=假）
（6） ：线性（输入特征=128，输出特征=1，偏差=真）
)
（_swish）：MemoryEfficientSwish（）
)
)

其中，

\u fc

是我更换的模块

我希望做的是：

base\u model=EfficientNet.from\u pretrained（'EfficientNet-b3'））
model=nn.Sequential（*列表（base_model.children（）[：-3]））

在我看来，

base\u model.children（）

将模型从嵌套结构中展平。然而，现在我似乎无法像使用虚拟输入那样使用模型，

x=torch.randn（1,3255255）

我得到了错误：

TypeError:forward（）接受1个位置参数，但给出了2个位置参数

需要注意的是，
model[：2]（x）
可以工作，但不能
model[：3]（x）
<代码>模型[2]

似乎是移动块

---

这是对上述代码的一个解释。

这是对

print（net）

实际功能的一个常见误解

在

\u fc

之后有一个

\u swish

模块，这一事实仅仅意味着前者在后者之后注册。您可以在以下位置进行检查：

类效率网（nn.模块）：
def uuu init uuuu（self，blocks_args=None，global_params=None）：
# [...]
#最终线性层
self._avg_pooling=nn.AdaptiveAvgPool2d（1）
self.\u dropout=nn.dropout（self.\u global\u params.dropout\u rate）
self.\u fc=nn.Linear（输出通道、self.\u全局参数、num类）
self.\u swish=MemoryEfficientSwish（）

它们的定义顺序就是它们的打印顺序。具体执行什么操作时，您必须检查：

def前进（自身，输入）：
#卷积层
x=自提取功能（输入）
#池和最终线性层
x=自平均池（x）
x=x.展平（起始尺寸=1）
x=自退出（x）
x=自身。_fc（x）
返回x

而且，正如您所看到的，

self.\u fc（x）

之后没有任何内容，这意味着不会应用

Swish