Deep learning 在VGG模型上用平均池层替换最大池层

我遵循并尝试实现此功能：

def replace_max_pooling(model):
 '''
 The function replaces max pooling layers with average pooling layers with 
 the following properties: kernel_size=2, stride=2, padding=0.
 '''
 for layer in model.layers:
    if layer is max pooling:
        replace

但我在迭代中得到一个错误，它说：

ModuleAttributeError:“VGG”对象没有属性“layers”

---

如何正确执行此操作？

Torchvision提供的VGG模型包含三个组件：

功能

子模块、

avgpool

（自适应平均池）和

分类器

。您需要查看网络的头部，即卷积层和池层所在的位置：

功能

您可以使用在

nn.模块的层上循环。然而，还有其他方法可以做到这一点。可以使用来确定图层是否为特定类型

在这个特定的模型中，层由索引命名。因此，为了在
nn.Module
中找到合适的层并覆盖它们，我们可以将名称转换为int


事先设置好：

import torch
import torch.nn as nn
m = models.vgg16()

你试过了吗？我没有试过，因为我是新手，不知道如何开始。。。如何在层上执行迭代并替换它们？
import torch
import torch.nn as nn
m = models.vgg16()