我目前正在尝试在我的模型中使用预训练的DenseNet。我按照这个教程进行操作：https://pytorch.org/hub/pytorch_vision_densenet/，它运作良好，输入为[1,3,244,244]时，返回一个[1,1000]的张量，完全符合预期。然而，我现在使用以下代码将预训练的Densenet加载到我的模型中，并将其用作“特征提取”模型。这是初始化函数中的代码

base_model = torch.hub.load('pytorch/vision:v0.10.0', 'densenet121', pretrained=True)self.base_model = nn.Sequential(*list(base_model.children())[:-1])

并且在前向函数中使用如下方式

x = self.base_model(x)

然而，使用相同的输入，它返回的张量大小为：([1, 1024, 7, 7])。我无法找出问题所在，我认为这是因为DenseNet将所有层连接在一起，但我不知道如何使用相同的方法使其工作。关于如何在我的模型中使用预训练的DenseNet，有什么建议吗？

回答：

一般来说，nn.Modules在forward定义中包含逻辑，这意味着仅仅将模型转换为顺序块是无法访问这些逻辑的。最值得注意的是，你通常可以在CNN和分类层之间发现降采样和/或扁平化操作。这对于DenseNet也是如此。

如果你查看Torchvision的DenseNet前向实现这里，你会看到：

def forward(self, x: Tensor) -> Tensor:    features = self.features(x)    out = F.relu(features, inplace=True)    out = F.adaptive_avg_pool2d(out, (1, 1))    out = torch.flatten(out, 1)    out = self.classifier(out)    return out

你可以看到CNN输出的张量self.features（形状为(*, 1024, 7, 7)）是如何通过ReLU、自适应平均池化和平坦化处理后，再被送入分类器（最后一层）的。