如何使用PyTorch在预训练模型上添加新层？（给出了一个示例。）

Question

我正在与Keras合作，并试图分析使用一些具有有意义权重的层和一些具有随机初始化的层构建的模型对准确性的影响

凯拉斯：

我使用加载方法上的include_top = False参数加载VGG19预训练模型

model = keras.applications.VGG19(include_top=False, weights="imagenet", input_shape=(img_width, img_height, 3))

Pytork：

我加载VGG19预训练模型，直到与加载了Keras的前一个模型的同一层

model = torch.hub.load('pytorch/vision:v0.6.0', 'vgg19', pretrained=True)
new_base =  (list(model.children())[:-2])[0]

加载模型后，下图显示了这些模型的摘要。（Pytorch，Keras）

到目前为止没有问题。之后，我想在这些预先训练好的模型上添加一个展平层和一个完全连接的层。我和Keras一起做的，但我不能和PyTorch一起做

new_model.summary（）的输出为：

我的问题是，如何在PyTorch中添加新层

Answer 1

从PyTorch教程"Finetuning TorchVision Models"：

Torchvision offers eight versions of VGG with various lengths and some that have batch normalizations layers. Here we use VGG-11 with batch normalization. The output layer is similar to Alexnet, i.e.

(classifier): Sequential(
   ...
   (6): Linear(in_features=4096, out_features=1000, bias=True)
)

Therefore, we use the same technique to modify the output layer

model.classifier[6] = nn.Linear(4096,num_classes)