本文介紹了如何在pytorch下搭建AlexNet，使用了兩種方法，一種是直接加載預訓練模型，并根據自己的需要微調（將最后一層全連接層輸出由1000改為10），另一種是手動搭建。

構建模型類的時候需要繼承自torch.nn.Module類，要自己重寫__ /_/___init__ /_/___方法和正向傳遞時的forward方法，這里我自己的理解是，搭建網絡寫在__ /_/___init__ /_/___中，每次正向傳遞需要計算的部分寫在forward中，例如把矩陣壓平之類的。

加載預訓練alexnet之后，可以print出來查看模型的結構及信息：

model = models.alexnet(pretrained=True)print(model)

分為兩個部分，features及classifier，后續搭建模型時可以也寫成這兩部分，并且從打印出來的模型信息中也可以看出每一層的引用方式，便于修改，例如model.classifier[1]指的就是Linear(in_features=9216, out_features=4096, bias=True)這層。

下面放出完整的搭建代碼：

import torch.nn as nnfrom torchvision import modelsclass BuildAlexNet(nn.Module):  def __init__(self, model_type, n_output):    super(BuildAlexNet, self).__init__()    self.model_type = model_type    if model_type == 'pre':      model = models.alexnet(pretrained=True)      self.features = model.features      fc1 = nn.Linear(9216, 4096)      fc1.bias = model.classifier[1].bias      fc1.weight = model.classifier[1].weight            fc2 = nn.Linear(4096, 4096)      fc2.bias = model.classifier[4].bias      fc2.weight = model.classifier[4].weight            self.classifier = nn.Sequential(          nn.Dropout(),          fc1,          nn.ReLU(inplace=True),          nn.Dropout(),          fc2,          nn.ReLU(inplace=True),          nn.Linear(4096, n_output))       #或者直接修改為#      model.classifier[6]==nn.Linear(4096,n_output)#      self.classifier = model.classifier    if model_type == 'new':      self.features = nn.Sequential(          nn.Conv2d(3, 64, 11, 4, 2),          nn.ReLU(inplace = True),          nn.MaxPool2d(3, 2, 0),          nn.Conv2d(64, 192, 5, 1, 2),          nn.ReLU(inplace=True),          nn.MaxPool2d(3, 2, 0),          nn.Conv2d(192, 384, 3, 1, 1),          nn.ReLU(inplace = True),          nn.Conv2d(384, 256, 3, 1, 1),          nn.ReLU(inplace=True),          nn.MaxPool2d(3, 2, 0))      self.classifier = nn.Sequential(          nn.Dropout(),          nn.Linear(9216, 4096),          nn.ReLU(inplace=True),          nn.Dropout(),          nn.Linear(4096, 4096),          nn.ReLU(inplace=True),          nn.Linear(4096, n_output))        def forward(self, x):    x = self.features(x)    x = x.view(x.size(0), -1)    out = self.classifier(x)    return out

微調預訓練模型的思路為：直接保留原模型的features部分，重寫classifier部分。在classifier部分中，我們實際需要修改的只有最后一層全連接層，之前的兩個全連接層不需要修改，所以重寫的時候需要把這兩層的預訓練權重和偏移保留下來，也可以像注釋掉的兩行代碼里那樣直接引用最后一層全連接層進行修改。