在pytorch中對model進行調整有多種方法。但是總有些莫名奇妙會報錯的。
下面有三種，詳情見部落格

一是載入完模型後直接修改，（對於resnet比較適用，對於vgg就不能用了）比如：
model.fc = nn.Linear(fc_features, 9)
這種情況，適用於修改的層，可以由self.層的名字獲取到。
如果層在sequential中。因為sequential型別沒有定義setitem，只有getitem 所以不能直接獲取某一層並進行修改。就是sequential[0]=nn.Linear(fc_features, 9)是會報錯的。（不知道有沒有別的方法。）
二是用引數覆蓋的方法

，即自己先定義一個類似的網路，再將預訓練中的引數提取到自己的網路中來。這裡以resnet預訓練模型舉例。
這個方法不太理解。。我還是不知道怎麼用到sequential裡面。。感覺改動會比較大。
通過state_dict() 去獲取每一層的名字並給予權重。就是新定義的網路要注意不能和pretrained的網路有同樣名字的層。
三是使用nn.module的model.children()的函式，重新定義自己model的層。這個比較靈活。
self.layer= nn.Sequential(*list(model.children())[:-2])
例如對於vgg11 我想修改成1channel輸入 ，輸出是100個類別的實現如下：修改和新增的程式碼比較少。

import torch.nn as nn
import torch.utils.model_zoo as model_zoo
import math

class VGG(nn.Module):

    def __init__(self, features, num_classes=1000, init_weights=True):
        super(VGG, self).__init__()
        self.features = features
        self.classifier = nn.Sequential(
            nn.Linear(512
 
 * 7 * 7, 4096),
            nn.ReLU(True),
            nn.Dropout(),
            nn.Linear(4096, 4096),
            nn.ReLU(True),
            nn.Dropout(),
            nn.Linear(4096, num_classes),
        )
        if init_weights:
            self._initialize_weights()

    def forward(self, x):
        x = self.features(x)
        x = x.view(x.size(0), -1)
        x = self.classifier(x)
        return x

    def _initialize_weights(self):
        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')
                if m.bias is not None:
                    nn.init.constant_(m.bias, 0)
            elif isinstance(m, nn.BatchNorm2d):
                nn.init.constant_(m.weight, 1)
                nn.init.constant_(m.bias, 0)
            elif isinstance(m, nn.Linear):
                nn.init.normal_(m.weight, 0, 0.01)
                nn.init.constant_(m.bias, 0)


def make_layers(cfg, batch_norm=False):
    layers = []
    in_channels = 3
    for v in cfg:
        if v == 'M':
            layers += [nn.MaxPool2d(kernel_size=2, stride=2)]
        else:
            conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1)
            if batch_norm:
                layers += [conv2d, nn.BatchNorm2d(v), nn.ReLU(inplace=True)]
            else:
                layers += [conv2d, nn.ReLU(inplace=True)]
            in_channels = v
    return nn.Sequential(*layers)

#生成一個1channel輸入的model
def make_one_channel_layers(cfg, batch_norm=False):
    layers = []
    in_channels = 1
    for v in cfg:
        if v == 'M':
            layers += [nn.MaxPool2d(kernel_size=2, stride=2)]
        else:
            conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1)
            if batch_norm:
                layers += [conv2d, nn.BatchNorm2d(v), nn.ReLU(inplace=True)]
            else:
                layers += [conv2d, nn.ReLU(inplace=True)]
            in_channels = v
    return nn.Sequential(*layers)


cfg = {
    'A': [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'],
    'B': [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'],
    'D': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512, 'M'],
    'E': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 256, 'M', 512, 512, 512, 512, 'M', 512, 512, 512, 512, 'M'],
}


def vgg11(pretrained=False, **kwargs):
    """VGG 11-layer model (configuration "A")
    Args:
        pretrained (bool): If True, returns a model pre-trained on ImageNet
    """
    if pretrained:
        kwargs['init_weights'] = False
    model = VGG(make_layers(cfg['A']), **kwargs)
    #輸出為100個類別
    mymodel=VGG(make_one_channel_layers(cfg['A']),num_classes=100, **kwargs)
    if pretrained:
        model.load_state_dict(model_zoo.load_url(model_urls['vgg11']))
        #在預訓練好的model中選擇要的部分，拼接自己定義的mymodel型別部分
        model.features=nn.Sequential(list(mymodel.features.children())[0],*list(model.features.children())[1:])
        mymodel.classifier=nn.Sequential(*list(model.classifier.children())[:-1],list(mymodel.classifier.children())[-1])  
    return mymodel

呃。。。。。。。。。。。

其實不用上面那麼麻煩 直接修改需要修改的層就可以了像

model.features=nn.Sequential(nn.Conv2d(1, 96, kernel_size=7, stride=2),*list(model.features.children())[1:])

另外直接用
model_conv.classifier[6].out_features = Output_features
這樣直接修改引數，輸出模型是修改之後的，但是執行時還是會報錯Given groups=1, weight[64, 3, 3, 3], so expected input[32, 1, 224, 224] to have 3 channels, but got 1 channels 這樣的錯。。。所以。。不知道怎麼改，如果可以這樣的話，就會很方便呀！！！可是報錯。。。

附上部分更新模型引數的方法（新模型增加了一些層）

pretrained_dict = ...
model_dict = model.state_dict()
# 1. filter out unnecessary keys
pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}
# 2. overwrite entries in the existing state dict
model_dict.update(pretrained_dict) 
# 3. load the new state dict
model.load_state_dict(model_dict)