怎么改 ResNet 的 fc 层做迁移学习
直接替换 model.fc 是最常用也最安全的做法，PyTorch 官方预训练模型（如 resnet18、resnet50）都把最后的全连接层单独暴露为 fc 属性，方便修改。别碰 model.classifier 或其他名字——ResNet 没这属性，写了会报 AttributeError: 'ResNet' object has no attribute 'classifier'。
实操建议：
- 先用
torchvision.models.resnet18(pretrained=True)加载模型，再立刻设model.fc = nn.Linear(512, num_classes)（ResNet18 的fc输入是 512；ResNet50 是 2048，别写错） - 如果要冻结前面所有层，加一句
for param in model.parameters(): param.requires_grad = False，但记得在替换fc后再执行，否则新fc层参数也会被冻结 - 别用
model.children()遍历改最后一层——ResNet 结构里fc不在 children 列表末尾，容易误删或漏改
为什么不能直接改 model.layer4[1].conv2.out_channels
有人想“从底层改起”，比如调大某卷积层通道数来适配新任务，这是典型误解。ResNet 的特征维度由整个前向流决定：layer4 输出尺寸固定为 7×7×2048（ResNet50），硬改中间卷积的 out_channels 会导致后续层输入/输出不匹配，forward 时直接报 size mismatch 错误。
真正需要调整的只有分类头：它唯一作用就是把固定尺寸的全局平均池化输出（2048 维向量）映射到你的类别数。其他层保持原样，既保证特征提取能力，又避免破坏预训练权重的语义对齐。
立即学习“Python免费学习笔记（深入）”；
替换 fc 后要不要重新初始化权重
要，而且必须显式初始化。PyTorch 新建的 nn.Linear 默认用 Kaiming 初始化，但和原始 ResNet 的初始化风格不一致；更关键的是，如果你用了 pretrained=True，旧 fc 权重还在内存里，不替换就会残留干扰。
实操建议：
- 替换后立即检查：打印
model.fc.weight，确认不是全零或 nan；若发现仍是旧权重，说明赋值没生效（常见于用model = torchvision.models.resnet18(...)后又做了model = torch.nn.DataParallel(model)——此时需改model.module.fc） - 想控制初始化方式？加一句
nn.init.normal_(model.fc.weight, std=0.01)或nn.init.xavier_uniform_(model.fc.weight) - 别依赖“自动重置”——PyTorch 不会因为你替换了属性就帮你清旧参数
验证修改是否生效的最快方法
跑一次 dummy forward，看输出 shape 和梯度是否符合预期。别等训练完才发现 fc 没生效。
示例代码片段：
x = torch.randn(2, 3, 224, 224) out = model(x) print(out.shape) # 应该是 torch.Size([2, num_classes]) print(model.fc.weight.grad) # 应该是 None（还没 backward） out.sum().backward() print(model.fc.weight.grad is not None) # 应该是 True
如果 out.shape[1] 还是 1000，说明 fc 没换成功；如果 grad 始终为 None，大概率是前面层被冻结时误锁了 fc，或者模型被封装在 DataParallel/DistributedDataParallel 里没访问对子模块。
实际项目里，最容易被忽略的是多卡训练下的属性访问路径，以及忘记在替换后手动初始化新层——这两处出问题，模型看起来“能跑”，但根本没学新任务。
