Image processing 仅使用预先训练的torchvision网络的某些层

我试图在预训练的torchvision更快的RCNN网络中仅使用某些层，该网络由以下内容初始化：

model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained=True)
model.eval()

这很有效。但是，将

model.modules（）

或

model.children（）

传递到

nn.Sequential

会产生错误。即使传递整个模型也会导致错误，例如

model = torch.nn.Sequential(*model.modules())
model.eval()
# x is a [C, H, W] image
y = model(x)

导致

AttributeError: 'dict' object has no attribute 'dim'

TypeError: conv2d(): argument 'input' (position 1) must be Tensor, not tuple

及

导致

AttributeError: 'dict' object has no attribute 'dim'

TypeError: conv2d(): argument 'input' (position 1) must be Tensor, not tuple

---

这让我很困惑，因为我在过去修改过其他PyTorch预训练模型。如何使用FasterRCNN预训练模型创建仅使用特定层的新（预训练）模型，例如除最后一层外的所有层？

与其他简单CNN模型不同，将基于R-CNN的检测器转换为简单的

nn.顺序
模型并非易事。如果您查看R-CNN（）的功能，您将看到输出特征（由FCN主干计算）不仅仅传递给RPN组件，而是与输入图像甚至目标（在训练期间）相结合

因此，我想如果你想改变更快的R-CNN的行为方式，你必须使用基类并为它提供不同的roi池参数。
@Shai我想删除roi池层，所以在第一个roi头之前保留所有内容。换句话说：我想把两个更快的RCNN阶段作为两个独立的网络。谢谢你的提示。我现在查看了广义的_rcnn.py，并复制了前向传递代码来调整它。它解决了我的问题。@Wavelad会确保您在更改后能够加载预先训练好的参数。您可能需要调整加载的
状态。