1.基础知识

搭建网络:去除resnet18 fc层，取出剩余网络，自定义fc层

class test(nn.Module):def __init__(self, num_classes=2):super().__init__()net = models.resnet18(pretrained=True)net.fc= nn.Sequential()    # 将分类层（fc）置空self.features = netself.fc= nn.Sequential(    # 定义一个卷积网络结构nn.Linear(512*7*7, 512),nn.ReLU(True),nn.Dropout(),nn.Linear(512, 128),nn.ReLU(True),nn.Dropout(),nn.Linear(128, num_classes),)def forward(self, x):x = self.features(x)x = x.view(x.size(0), -1)x = self.fc(x)return x

net = models.resnet18
print(net)

print(net)，可输出该网络结构，可通过关键词进行访问操作相应的层

nn.Sequential()+nn.包，缺点，每一层网络都是数字标识，不好识别

self.conv=torch.nn.Sequential()

self.conv.add_module("conv1",torch.nn.Conv2d(3, 32, 3, 1, 1))

等效方法：

self.dense = torch.nn.Sequential(OrderedDict([("dense1", torch.nn.Linear(32 * 3 * 3, 128)),("relu2", torch.nn.ReLU()),("dense2", torch.nn.Linear(128, 10))]))

for i,param in enumerate(test_net.parameters()):

        print(param)可输出每一层参数

for param in test_net.named_parameters():
     print(param[0])

param[0]输出每一层键

param[1]输出每一层参数值

可以使用列表存储每一层键，为下一步冻结层做准备

for name,weight in test_net.named_parameters():
     name_space.append(name)
     print(name)
 

for i, param in enumerate(test_net.parameters()):if i < 45:param.requires_grad = False

这种冻结方法只是阻止参数更新，求导以及参数计算都正常进行

方法二：采用with torch .no_grad，来限制某层，与之相关所有层均会停止传播