直接修改模型最后一层需先确认其命名和结构，如ResNet用fc、VGG用classifier、ViT用heads；获取原in_features后新建nn.Linear(in_features, num_classes)，并重置参数以避免残留旧值。
PyTorch预训练模型最后一层怎么替换成自定义分类数
直接改 model.classifier[-1] 或 model.fc 就行，但必须先确认原模型结构——不同 backbone 的输出层命名和位置差异很大，硬套会报 AttributeError: 'Sequential' object has no attribute 'fc' 这类错。
实操建议：
- 用
print(model)或list(model.children())[-1]查最后一级模块名，比如resnet50是fc，vgg16是classifier，vit_b_16是heads - 替换前记录原输出维度：
in_features = model.fc.in_features（ResNet）或model.classifier[-1].in_features（VGG），这是新层的in_features依据 - 新层必须用
nn.Linear(in_features, num_classes)，不能漏掉num_classes—— 这是你要的分类数，不是原数据集的类别数
替换后权重初始化要不要重置
要。新层参数默认已随机初始化，但如果你手动创建了 nn.Linear 却没调用 reset_parameters()，可能残留旧值（尤其从 checkpoint 加载后部分替换时）。
常见疏漏点：
立即学习“Python免费学习笔记（深入）”；
- 只改了结构，没清缓存：训练前务必调用
model.apply(lambda m: m.reset_parameters() if isinstance(m, nn.Linear) else None)，或者更稳妥地只重置你刚换的新层 - 用了
nn.Sequential包裹新层但忘了给它起名，导致无法单独 reset —— 建议显式赋值：model.fc = nn.Linear(2048, 12)，而非model.classifier = nn.Sequential(..., new_layer) - ViT 类模型（如
vit_b_16）的heads是nn.Sequential(nn.Linear(...), nn.Dropout(), nn.Linear(...))，只换最后那个nn.Linear即可，别把整个heads替掉
动态映射分类数时如何避免 forward 报错
核心是确保新层输入特征维度与上游输出一致。典型错误是修改 num_classes 后忘记同步调整 in_features，导致 mat1 and mat2 shapes cannot be multiplied。
检查步骤：
- 打印上游模块输出 shape：
with torch.no_grad(): print(model.features(torch.randn(1,3,224,224)).shape)（对 CNN）或model.encoder(torch.randn(1,3,224,224)).shape（ViT），确认最后一维是否等于你设的in_features - 若用
torchvision.models.get_model('resnet50', weights='DEFAULT')，注意 0.14+ 版本返回的是带预处理的 wrapper，需访问.model属性才能拿到纯模型 - 迁移学习微调时，冻结参数（
requires_grad = False）只需加在特征提取部分，新分类层必须保持True，否则 loss 不下降
多任务或增量学习场景下怎么安全替换
不能直接覆盖原层变量名，否则旧层参数仍留在 model.state_dict() 里，保存加载时会冲突。
正确做法：
- 先删旧键：
state_dict = model.state_dict(); state_dict.pop('fc.weight', None); state_dict.pop('fc.bias', None)，再 load 新权重 - 用
strict=False加载 checkpoint：model.load_state_dict(checkpoint, strict=False)，缺失的 key（新层）自动跳过，多出的 key（旧层）也忽略 - 如果新增类别数比原来少（比如从1000→10），不要复用原
fc.weight[:10]—— 初始化更稳；若想保留语义相似性，可用 PCA 降维后再初始化，但非常规操作
fc，结果在 EfficientNet 上死磕 model.fc 却找不到。动手前花 10 秒 print(model) 看一眼，比查文档快。 
