Pytorch 如何将1x1卷积作为分类层添加到VGG？

我正在尝试使用VGG16的前5层作为特征提取器，使用Imagenet预先训练的权重来训练神经网络。这些层包含5个最大池层，将图像大小减少到原始图像大小的1/32。对于尺寸为640x360的图像，我有20x11和512个通道的激活图

我想将每个激活划分为20个类，通过创建1x1卷积将512个通道作为输入，如下所示：

#模型定义
类BlockWiseCSRNet（nn.模块）：
"""
顺时针分类法实现纸张计数对象
一种CRSNet后端方法的实现
"""
定义初始值（自身、负载权重=False、计数级别=10）：
超级（BlockWiseCSRNet，self）。\uuuu初始化
self.seen=0
self.backend_feat=[64,64，'M'，128,128，'M'，256,256,256，'M'，512,512,512，'M'，512,512,512，'M']
self.backend=make_层（self.backend_专长）
self.count\u levels=计数\u levels
self.classification=nn.Sequential(
nn.Conv2d（输入通道=512，输出通道=计数级别，内核大小=1），
nn.Softmax（尺寸=1）
)
如果未加载重量：
mod=models.vgg16（预训练=真）
self.\u初始化\u权重（）
#将重量从VGG预训练复制到前端
对于self.backend.state_dict（）.items（）中的k，v：
如果“重量”单位为k：
self.backend.state_dict（）[k]。数据[：]=mod.state_dict（）['features.+k][1]。数据[：]
其他：
self.backend.state_dict（）[k].data=mod.state_dict（）['features.+k][1]。数据
def冻结_后端（自身）：
"""
冻结后端参数以使其不可训练
：返回：
"""
对于self.backend.parameters（）中的p：
p、 需要_grad=False
def解冻_分类（自）：
对于self.classification.parameters（）中的p：
p、 需要_grad=True
def前进（自身，x）：
x=self.backend（x）
x=自分类（x）
返回x
def_初始化_权重（自身）：
对于self.modules（）中的m：
如果存在（m，nn.Conv2d）：
nn.初始正常（m.重量，标准=0.01）
如果m.bias不是无：
nn.初始常数（m.偏差，0）
elif isinstance（m，nn.2d）：
nn.初始常数（m.重量，1）
nn.初始常数（m.偏差，0）
def make_层（cfg，in_Channel=3，batch_norm=False，Diagration=False）：
如果扩张：
d_率=2
其他：
d_率=1
层=[]
对于cfg中的v：
如果v=='M'：
层+=[nn.MaxPool2d（内核大小=2，步幅=2）]
其他：
conv2d=nn.conv2d（在通道中，v，内核大小=3，填充率=d\u，扩展率=d\u）
如果批次规格：
层+=[conv2d，nn.BatchNorm2d（v），nn.ReLU（inplace=True）]
其他：
层+=[conv2d，nn.ReLU（inplace=True）]
in_通道=v
返回nn.顺序（*层）
###相关列车回路
模型=分块CSRNET（计数级别=20）
标准=torch.nn.CrossEntropyLoss（）
optimizer=torch.optim.Adam（过滤器（lambda x:x.requires_grad，model.parameters（）），args.learning_rate）
#列车环路台阶
def序列步骤（历元、设备、数据加载器、模型、标准、优化器）：
打印（'train step！'）
运行损耗=0.0
#将模型设置为训练模式
模型列车（）
#只训练分类层，保留后端的权重
model.freeze_backend（）
模型.解冻_分类（）
对于enumerate（data_loader）中的mini_batch（批次、标签、文件名）：
#转移到GPU
批处理=批处理到（设备）
标签=标签。到（设备）
#将参数梯度归零
optimizer.zero_grad（）
#工艺批次
输出=型号（批次）
损失=标准（输出、标签）
a=列表（model.classification.parameters（））[0]。克隆（）
loss.backward（）
optimizer.step（）
b=列表（model.classification.parameters（））[0]。克隆（）
打印（'weights updated？{}'。格式（非torch.equal（a.data，b.data）））
#打印（torch.sum（model.classification[0].weight.sum（））
#打印统计信息每个打印统计信息步骤小批量
运行损失+=损失。项目（）
打印（'[{}]列车总损耗：{}'。格式（历元，运行损耗））

此解决方案能够处理图像并以适当的大小激活输出

但是，我无法训练网络。我使用的是CrossEntropyLoss和Adam optimizer，但输出映射始终保持不变（即使在多次训练迭代之后）

#批处理是一个映像
batch.shape->torch.Size（[1,3,360,640]）
输出=型号（批次）
output.shape->torch.Size（[1,20,11,20]）
标准=torch.nn.CrossEntropyLoss（）
optimizer=torch.optim.Adam（model.parameters（），args.learning\u rate）
_，预测等级图=火炬最大值（输出，尺寸=1）
#预测的类映射始终为0

我尝试了几种学习速率和配置，但预测的类映射始终为0。我调试了权重更新，更新始终为0（优化器步骤前后权重相等）

我做错了什么？我不确定问题是在体系结构还是在培训循环中（我从PyTorch教程中获取）

编辑：在检查了净输出的内容之后，我认为问题在于输出中的所有通道对于所有图像都具有相同的值。因此：

all_means=[范围（0，outputs.shape[1]）内t的输出[0，t，：，：]

有一个所有位置相等的向量

---

谢谢

输出形状不应该是2D吗？（批次大小，数量类）？输出形状已经是2d，[1,20,11,20]，批次大小=1，数量类=20，形状11x20什么是11 x 20？11x20是最终激活映射尺寸（h