如何将预训练ResNet50模型集成到自定义PyTorch Model类中？

云上老周

2026-7-23

代码问题解析

当前代码的核心问题

你现在的代码里，虽然初始化了self.model = models.resnet50(pretrained=False)，但forward函数完全没调用这个ResNet50模型，等于白定义了这个模块。当前实际运行的是你自己写的小型卷积网络，和ResNet50没有任何关联。

是否要启用注释行`#x = self.model(x)`？

这完全取决于你的需求：

如果想基于ResNet50做迁移学习：必须启用这行代码，同时要修改ResNet50的全连接层适配你的分类任务，而不是保留现在的自定义卷积和全连接层。示例修改如下：

class ResNet(nn.Module):
    def __init__(self, args):
        super(ResNet, self).__init__()
        # 新版PyTorch推荐用weights参数替代pretrained
        self.model = models.resnet50(weights=models.ResNet50_Weights.DEFAULT)
        # 可选：冻结ResNet50的特征提取层，只训练新的全连接层
        for param in self.model.parameters():
            param.requires_grad = False
        # 替换最后一层全连接层，适配你的分类类别数
        num_ftrs = self.model.fc.in_features
        self.model.fc = nn.Linear(num_ftrs, args.num_classes)

    def forward(self, x):
        x = self.model(x)
        return x

如果想把ResNet50作为自定义网络的一部分：比如先让输入经过ResNet50提取特征，再走你自己的网络层，那需要启用这行代码，但要注意维度匹配——ResNet50默认输出是2048维特征，不能直接接你的conv1（它需要3通道的图像输入），得先处理特征维度。
如果根本不需要用ResNet50：直接删掉self.model = models.resnet50(pretrained=False)这行，你现在的自定义卷积网络是可以运行的（前提是输入图片尺寸符合计算逻辑：比如输入224×224的图片，经过两次卷积+池化后，尺寸刚好是53×53，和你全连接层的输入维度匹配）。