Machine learning 如何使用Pytorch创建一个自定义的EfficientNet，并正确写入最后一层

我有一个分类问题要预测8个类，例如，我在pytorch中使用

EfficientNetB3

。然而，我对自定义类的编写是否正确感到困惑。我想我想剥离预训练模型的最后一层，以适应8个输出，对吗？我做得对吗？因为当我在我的

DataLoader

中打印

y\u preds=model（images）

时，它似乎给了我

1536

预测。这是预期的行为吗

!pip install geffnet 
import geffnet

class EfficientNet(nn.Module):
    def __init__(self, config):
        super().__init__()
        self.config = config
        self.model = geffnet.create_model(config.effnet, pretrained=True)
        n_features = self.model.classifier.in_features
        # does the name fc matter?
        self.fc = nn.Linear(n_features, config.num_classes)
        self.model.classifier = nn.Identity()
        
    def extract(self, x):
        x = self.model(x)
        return x

    def forward(self, x):
        x = self.extract(x).squeeze(-1).squeeze(-1)
        return x
    
model = EfficientNet(config=config)
if torch.cuda.is_available():
    model.cuda()

打印的示例代码

y\u pred

：

device=torch.device（'cuda'如果torch.cuda.is_可用（），则为'cpu'）

---

在向前传球时，你甚至没有使用self.fc

或者只是介绍一下：

def forward(self, x):
    ....
    x = extract(x)...
    x = fc(x)
    return x

或者您可以简单地替换名为classifier的层（这样您就不需要标识层）：

---

另外，这里的

config.num\u类

应该是8。

在向前传球中甚至没有使用

self.fc

或者只是介绍一下：

def forward(self, x):
    ....
    x = extract(x)...
    x = fc(x)
    return x

或者您可以简单地替换名为classifier的层（这样您就不需要标识层）：

---

另外，这里的

config.num\u类应该是8。
非常感谢您的解释，如果可以的话，还有一个问题，为什么我们需要
self.extract（x）.squeak（-1）.squeak（-1）
在
forward
过程中，我们不能说：
x=self.model（x）
并删除
extract
方法？删除1的额外维度，此处不需要它。您可以直接调用self.model（x）。我不知道你当初为什么要用它。谢谢你的回复，谢谢。您想什么时候使用挤压tho？正如我看到的一些人所做的那样。有时，你可能会得到额外的维度，比如（1，1，3，224，224），为了使它与其他可能只适用于4维的操作兼容，你可以使用挤压。您也可能会使用
unsqeeze（）
例如，在输入大小为（3，224，224）的单个图像张量进行建模之前，使其大小变为（1，3，224，224），因为pytorch要求形状为[N，C，H，W]，其中N是批次大小。清晰的解释。如果可以的话，我会给你两次投票。非常感谢你的解释，如果可以的话，我还要问一个问题，为什么我们需要
self.extract（x）.square（-1）.square（-1）
在
向前
过程中，为什么我们不能说：
x=self.model（x）
并删除
extract
方法？删除1的额外维度，此处不需要它。您可以直接调用self.model（x）。我不知道你当初为什么要用它。谢谢你的回复，谢谢。您想什么时候使用挤压tho？正如我看到的一些人所做的那样。有时，你可能会得到额外的维度，比如（1，1，3，224，224），为了使它与其他可能只适用于4维的操作兼容，你可以使用挤压。您也可能会使用
unsqeeze（）
例如，在输入大小为（3，224，224）的单个图像张量进行建模之前，使其大小变为（1，3，224，224），因为pytorch要求形状为[N，C，H，W]，其中N是批次大小。清晰的解释。如果可以的话，我会投你两次票。
self.model.classifier = nn.Linear(n_features, config.num_classes)