Bert+Resnet联合学习，pytorch模型实例化后为空

我正在写一个简单的联合模型，它有两个分支，一个分支是resnet50，另一个是bert。我将两个输出连接起来，并将其传递给一个简单的线性层，该层有两个输出神经元

我实现了以下模型：

import torch
from torch import nn
import torchvision.models as models
import torch.nn as nn
from collections import OrderedDict
from transformers import BertModel

class BertResNet(nn.Module):
    def __init__(self):
        super(BertResNet, self).__init__()
        # resnet
        resnet50 = models.resnet50(pretrained=True)
        n_inputs = resnet50.fc.in_features
        # compressed embedding space
        classifier = nn.Sequential(OrderedDict([
            ('fc1', nn.Linear(n_inputs, 512))
        ]))

        resnet50.fc = classifier # 512 out resnet 


        bert = BertModel.from_pretrained('bert-base-uncased')

        # final classification layer

        classification = nn.Linear(512 + 768, 2)
        #print(resnet50)
        #print(bert)

    def forward(self, img, text):
        res_emb = self.resnet50(img)
        bert_emb = self.bert(text)

        combined = torch.cat(res_emb,
                              bet_emb, dim=1)
        out = self.classification(combined)
        return out

但当我实例化时，我得到一个空模型：

bert_resnet = BertResNet()

print(bert_resnet)

输出： 贝特雷斯内特

---

listbert_resnet.parameters还返回[]

您从未将模型分配给BertResNet类的对象的任何属性。__init__方法中存在临时变量，但一旦完成，这些变量将被丢弃。应将其分配给self：

定义初始自我： superBertResNet，self.\u init__ resnet self.resnet50=models.resnet50pretrained=True n_输入=self.resnet50.fc.in_功能 压缩嵌入空间 self.classifier=nn.SequentialOrderedDict[ “fc1”，nn.Linearn_输入，512 ] self.resnet50.fc=分类器512 out resnet self.bert=BertModel.from_预训练的'bert-base-uncased' 最终分类层 自分类=nn.Linear512+768，2