Python 如何从PyTorch中的ResNet模型中删除最后一个FC层？

我使用的是PyTorch的ResNet152型号。我想从模型中去掉最后一个FC层。这是我的密码：

from torchvision import datasets, transforms, models
model = models.resnet152(pretrained=True)
print(model)

打印模型时，最后几行如下所示：

    (2):  Bottleneck(
      (conv1):  Conv2d(2048,  512,  kernel_size=(1,  1),  stride=(1,  1),  bias=False)
      (bn1):  BatchNorm2d(512,  eps=1e-05,  momentum=0.1,  affine=True,  track_running_stats=True)
      (conv2):  Conv2d(512,  512,  kernel_size=(3,  3),  stride=(1,  1),  padding=(1,  1),  bias=False)
      (bn2):  BatchNorm2d(512,  eps=1e-05,  momentum=0.1,  affine=True,  track_running_stats=True)
      (conv3):  Conv2d(512,  2048,  kernel_size=(1,  1),  stride=(1,  1),  bias=False)
      (bn3):  BatchNorm2d(2048,  eps=1e-05,  momentum=0.1,  affine=True,  track_running_stats=True)
      (relu):  ReLU(inplace)
    )
  )
  (avgpool):  AvgPool2d(kernel_size=7,  stride=1,  padding=0)
  (fc):  Linear(in_features=2048,  out_features=1000,  bias=True)
)

model = models.resnet152(pretrained=True)
list(model.modules()) # to inspect the modules of your model
my_model = nn.Sequential(*list(model.modules())[:-1]) # strips off last linear layer
print(my_model)

我想从模型中删除最后一个fc层

我在SO（）上找到了答案，这里似乎提供了我想要的答案：

list(model.modules()) # to inspect the modules of your model
my_model = nn.Sequential(*list(model.modules())[:-1]) # strips off last linear layer

因此，我将这些行添加到我的代码中，如下所示：

    (2):  Bottleneck(
      (conv1):  Conv2d(2048,  512,  kernel_size=(1,  1),  stride=(1,  1),  bias=False)
      (bn1):  BatchNorm2d(512,  eps=1e-05,  momentum=0.1,  affine=True,  track_running_stats=True)
      (conv2):  Conv2d(512,  512,  kernel_size=(3,  3),  stride=(1,  1),  padding=(1,  1),  bias=False)
      (bn2):  BatchNorm2d(512,  eps=1e-05,  momentum=0.1,  affine=True,  track_running_stats=True)
      (conv3):  Conv2d(512,  2048,  kernel_size=(1,  1),  stride=(1,  1),  bias=False)
      (bn3):  BatchNorm2d(2048,  eps=1e-05,  momentum=0.1,  affine=True,  track_running_stats=True)
      (relu):  ReLU(inplace)
    )
  )
  (avgpool):  AvgPool2d(kernel_size=7,  stride=1,  padding=0)
  (fc):  Linear(in_features=2048,  out_features=1000,  bias=True)
)

model = models.resnet152(pretrained=True)
list(model.modules()) # to inspect the modules of your model
my_model = nn.Sequential(*list(model.modules())[:-1]) # strips off last linear layer
print(my_model)

但这段代码并不像宣传的那样有效——至少对我来说不是这样。这篇文章的其余部分详细解释了为什么这个答案不起作用，这样这个问题就不会重复了

首先，打印模型比以前大了近5倍。我看到的是和以前一样的模型，但后面似乎是模型的重复，但可能是扁平的

    (2): Bottleneck(
      (conv1): Conv2d(2048, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(2048, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace)
    )
  )
  (avgpool): AvgPool2d(kernel_size=7, stride=1, padding=0)
  (fc): Linear(in_features=2048, out_features=1000, bias=True)
)
(1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)
(2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(3): ReLU(inplace)
(4): MaxPool2d(kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)
(5): Sequential(
  . . . this goes on for ~1600 more lines . . .
  (415): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (416): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
  (417): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (418): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
  (419): BatchNorm2d(2048, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (420): ReLU(inplace)
  (421): AvgPool2d(kernel_size=7, stride=1, padding=0)
)

其次，fc层仍然在那里，它后面的Conv2D层看起来就像ResNet152的第一层

第三，如果我试图调用

my_model.forward（）

，pytorch会抱怨大小不匹配。它预期大小为[1,3,224,224]，但输入为[1,1000]。因此，看起来整个模型（减去fc层）的副本将附加到原始模型

---

总之，我在SO上找到的唯一答案实际上不起作用。

对于ResNet模型，您可以使用children属性访问层，因为pytorch中的ResNet模型由nn模块组成。（在pytorch 0.4.1上测试）

更新：虽然对于这个问题没有一个通用的答案可以适用于所有pytorch模型，但它应该适用于所有结构良好的模型。添加到模型中的现有图层（例如，…）都基于。如果您实现了一个自定义层并将其添加到您的网络中，您应该从pytorch的torch.nn.Module类继承它。如中所述，children属性允许您访问类/模型/网络的模块

def children(self):
        r"""Returns an iterator over immediate children modules.  

---

更新：需要注意的是，children（）返回“立即”模块，这意味着如果网络的最后一个模块是顺序模块，它将返回整个顺序模块。

如果您不仅希望剥离最后一个FC层的模型，而且希望用自己的模型替换它，从而利用迁移学习技术，您可以这样做：

import torch.nn as nn
from collections import OrderedDict

n_inputs = model.fc.in_features

# add more layers as required
classifier = nn.Sequential(OrderedDict([
    ('fc1', nn.Linear(n_inputs, 512))
]))

model.fc = classifier

---

您只需通过以下方式即可完成：

Model.fc = nn.Sequential()

或者，您也可以创建标识层：

class Identity(nn.Module):
    def __init__(self):
        super().__init__()

    def forward(self, x):
        return x

并用它替换fc层：

Model.fc = Identity()

从PyTorch教程：

这里我们使用Resnet18，因为我们的数据集很小，只有两个类。打印模型时，我们看到最后一层是完全连接的层，如下所示：

（fc）：线性（输入特征=512，输出特征=1000，偏差=True）

因此，我们必须重新初始化

model.fc

，使其成为一个具有512个输入特性和2个输出特性的线性层，其中：

model.fc=nn.Linear（512，num_类）

---

不太确定，但是这里应该可以基本删除，

del（model['fc']）

。你能试试吗？用文档参考更新了我的答案，如果缺少什么，请提醒。PyTorch现在有一个内置的身份模块：