最快方法是直接用torchvision.models.resnet50(pretrained=True)加载预训练权重并替换fc层为nn.Linear(2048, num_classes)，同时严格按ImageNet规范做Resize(256)+CenterCrop(224)和Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])。
直接用 torchvision.models.resnet50 加 torch.nn.Linear 替换分类头，是最稳妥的起点；别自己重写 ResNet 结构，也别在预训练权重加载前修改网络——否则 load_state_dict() 会报 Missing key 或 Unexpected key 错误。
替换 ResNet 分类层时，必须保持输入维度匹配
原 resnet50 的 fc 层输入是 2048 维（对应最后一个残差块输出），输出默认为 1000 类。你要做迁移学习，就得按新任务类别数重置输出维度：
- 先实例化模型：
model = torchvision.models.resnet50(pretrained=True) - 再替换：
model.fc = torch.nn.Linear(2048, num_classes)（num_classes是你的数据集类别数） - 如果用的是
resnet18，输入维度是 512，别写成 2048——查model.fc.in_features最保险 - 别漏掉
pretrained=True，否则加载的是随机初始化权重，迁移效果归零
冻结 backbone 时，要设 requires_grad = False 而非只改 model.eval()
model.eval() 只影响 Dropout 和 BatchNorm 行为，不阻止梯度计算；真正冻结参数得遍历参数并关梯度：
A Python CLI skill for Cutout.Pro visual APIs — background removal, face cutout, and photo enhancement. Supports file upload & image URL input.
下载
调用 Cutout.Pro 视觉处理 API 进行背景移除、人像抠图和照片增强，支持文件上传与图片 URL 输入。
- 冻结全部 backbone：
for param in model.parameters(): param.requires_grad = False - 只冻结到某一层（比如只微调最后两个残差块）：
for name, param in model.named_parameters(): if "layer4" not in name and "fc" not in name: param.requires_grad = False - 冻结后务必检查：
sum(p.requires_grad for p in model.parameters())应该远小于总参数量 - 冻结状态下仍要调用
model.train()（尤其用了 BatchNorm），否则 BN 统计值不会更新，验证时指标崩塌
数据增强和归一化必须复用预训练模型的统计值
PyTorch 官方 ResNet 预训练权重基于 ImageNet 统计值（均值 [0.485, 0.456, 0.406]，标准差 [0.229, 0.224, 0.225]）。你用自己的均值/标准差做归一化，会导致特征偏移，模型“认不出”输入：
立即学习“Python免费学习笔记（深入）”；
- 训练时增强可加：
transforms.RandomHorizontalFlip()、transforms.ColorJitter() - 但归一化必须严格用：
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) - 验证/测试阶段同样要归一化，且不能加随机增强（如去掉
Random*） - 如果你用 OpenCV 读图或自定义 Dataset，确保通道顺序是 RGB（不是 BGR），否则归一化值错位
最容易被忽略的是：BatchNorm 层里的 running_mean / running_var 在微调时会继续更新，哪怕你冻结了权重。这意味着即使冻结了 backbone，BN 层依然在“悄悄适应”你的数据分布——这通常是好事，但若你的训练集极小（model.eval() 并在验证前 model.train() 切换，或者把 BN 层替换成 GroupNorm。
