如何在PyTorch中微调VGG-19的FC1与FC2全连接层？

问题背景 #

需实现VGG-19的两种微调方式：

1. 全层微调（已完成）
2. 仅微调最后两个全连接层（FC1对应classifier[0]，FC2对应classifier[3]），当前已尝试部分代码，需确认正确性及后续处理方式。

正确实现代码 #

import torch
import torch.nn as nn
from torchvision import models

# 加载预训练VGG-19模型
model2 = models.vgg19(pretrained=True)

# 冻结所有网络参数，默认不参与梯度更新
for param in model2.parameters():
    param.requires_grad = False

# 解冻目标全连接层：FC1（classifier[0]）和FC2（classifier[3]）
for param in model2.classifier[0].parameters():
    param.requires_grad = True
for param in model2.classifier[3].parameters():
    param.requires_grad = True

# 替换最后一层分类器，适配自定义数据集的类别数
num_classes = len(class_to_idx)
model2.classifier[6] = nn.Linear(4096, num_classes)

关键细节说明 #

1. 冻结与解冻逻辑：先全局冻结所有参数，再单独解冻需要微调的FC1和FC2，确保只有这两层的权重会在训练中更新。
2. 最后一层处理：
   • 不需要保留原有的1000类别输出层，必须替换为对应数据集类别数的新Linear层，你当前的做法完全正确。
   • 新创建的Linear层默认requires_grad=True，刚好满足训练需求（全新层无预训练权重，必须从头训练）。
3. 是否需要重新定义Sequential：不需要，直接替换classifier[6]更简洁高效，完全不破坏原模型的结构逻辑。如果重新定义Sequential，需要完整复制原classifier的前6层（0-5）再添加新层，反而冗余。

内容的提问来源于stack exchange，提问作者Sena Yalçın