使用预训练的torchvision网络的特定层

我试图在一个预训练的torchvision Faster-RCNN网络中仅使用某些层，该网络通过以下方式初始化：

model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained=True)model.eval()

这有效。然而，将model.modules()或model.children()传入nn.Sequential会导致错误。即使传入整个模型也会导致错误，例如：

model = torch.nn.Sequential(*model.modules())model.eval()# x是[C, H, W]的图像y = model(x)

会导致

AttributeError: 'dict' object has no attribute 'dim'

以及

model = torch.nn.Sequential(*model.children())model.eval()# x是[C, H, W]的图像y = model(x)

会导致

TypeError: conv2d(): argument 'input' (position 1) must be Tensor, not tuple

这让我感到困惑，因为我之前曾以这种方式修改过其他PyTorch预训练模型。我如何使用预训练的FasterRCNN模型创建一个新的（预训练的）模型，只使用某些层，例如除了最后一层的所有层？

回答：

与其他简单的CNN模型不同，将基于R-CNN的检测器转换为简单的nn.Sequential模型并非易事。如果你查看R-CNN的功能（'generalized_rcnn.py'），你会发现输出特征（由FCN骨干网络计算）不仅传递给RPN组件，而是与输入图像甚至在训练期间与目标结合使用。

因此，我认为如果你想改变faster R-CNN的行为，你需要使用基类torchvision.models.detection.FasterRCNN()，并为其提供不同的roi池化参数。

学技术