PyTorch中VGG-19模型的微调策略：全层与特定全连接层更新实践

  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True) # FC1
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True) # FC2
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True) # 原始输出层 (Original output layer)
  )

import torch.nn as nn
from torchvision import models
from torchvision.models import VGG19_Weights

# 1. 加载预训练的VGG-19模型
# 推荐使用 weights 参数加载预训练权重
model_all_layers = models.vgg19(weights=VGG19_Weights.IMAGENET1K_V1)

# 2. 设置所有层的参数为可训练
for param in model_all_layers.parameters():
    param.requires_grad = True # 确保所有参数都参与梯度计算和更新

# 3. 替换最终分类层以适应新任务的类别数
# 假设您的新数据集有 num_classes 个类别
# 请根据实际情况定义 num_classes，例如：num_classes = len(your_dataset.class_to_idx)
num_classes = 10 # 示例值，请替换为您的实际类别数
in_features = model_all_layers.classifier[6].in_features # 获取原始输出层的输入特征数
model_all_layers.classifier[6] = nn.Linear(in_features, num_classes)

print("VGG-19模型已设置为微调所有层，并更新了最终分类层。")
# 此时，model_all_layers 即可用于训练

import torch.nn as nn
from torchvision import models
from torchvision.models import VGG19_Weights

# 1. 加载预训练的VGG-19模型
model_fc_layers = models.vgg19(weights=VGG19_Weights.IMAGENET1K_V1)

# 2. 冻结所有层的参数
for param in model_fc_layers.parameters():
    param.requires_grad = False # 默认冻结所有层

# 3. 解冻FC1和FC2层的参数
# FC1 对应 classifier[0]
for param in model_fc_layers.classifier[0].parameters():
    param.requires_grad = True

# FC2 对应 classifier[3]
for param in model_fc_layers.classifier[3].parameters():
    param.requires_grad = True

# 4. 替换最终分类层以适应新任务的类别数
# 假设您的新数据集有 num_classes 个类别
num_classes = 10 # 示例值，请替换为您的实际类别数
in_features = model_fc_layers.classifier[6].in_features # 获取原始输出层的输入特征数
model_fc_layers.classifier[6] = nn.Linear(in_features, num_classes)
# 注意：新替换的 nn.Linear 层默认其参数 requires_grad=True，因此无需额外设置

print("VGG-19模型已设置为仅微调FC1、FC2和最终分类层。")
# 此时，model_fc_layers 即可用于训练