PyTorch中如何向已有预训练模型新增层

一、分类头查找

        在 PyTorch 的预训练模型（如 ResNet、VGG、DenseNet 等）中，model.fc 通常表示模型的最后一层全连接层（Fully Connected Layer），也就是分类头（Classifier Head）。它的作用是将提取的特征映射到最终的分类结果上。不同模型的分类头名称可能不同（如 classifier），需通过 print(model) 确认。

1. model.fc 的具体含义

• fc 是 "Fully Connected" 的缩写，即全连接层。

• 在分类任务中，这一层的作用是将网络提取的全局特征转换为类别概率分布。

• 例如：

  • ResNet 的 model.fc 默认输出 1000 维（对应 ImageNet 的 1000 类）。

  • 如果改成自己的任务（比如 10 分类），需要替换这一层：

    model.fc = nn.Linear(in_features, 10)  # 改为输出10类

2. 为什么是 model.fc？

PyTorch 的预训练模型通常将全连接层命名为 fc，例如：

• ResNet: model.fc

• DenseNet: model.classifier（注意命名可能不同）

• VGG: model.classifier[6]（VGG 的全连接层是一个序列，最后一层是分类头）

可以通过打印模型结构确认：

from torchvision.models import resnet50
model = resnet50()
print(model)  # 查看最后一层的名称

3. 如何修改 model.fc？

场景1：直接替换分类头（适应新类别数）

import torch.nn as nn
from torchvision.models import resnet50

model = resnet50(pretrained=True)
num_ftrs = model.fc.in_features  # 获取输入特征维度（如2048