PyTorch中封装预训练DenseNet为nn.Sequential后输出张量异常如何解决

你得到的[1, 1024, 7, 7]是DenseNet主干网络输出的特征图，属于正常现象，问题出在你提取模型结构的逻辑遗漏了原DenseNet的必要后处理步骤，和DenseNet的层间全连接特性无关：
原DenseNet的完整推理逻辑为：

1. 经过features主干输出4维特征图
2. 过ReLU激活
3. 经过自适应全局平均池化压缩为[1, 1024, 1, 1]的张量
4. 展平为[1, 1024]的一维特征向量
5. 经过最后一层全连接层classifier输出[1, 1000]的分类结果
   你用list(base_model.children())[:-1]只提取了第一步的features主干，缺少后续的激活、池化、展平步骤，因此输出为4维特征图。

方案1：单独提取特征提取器，输出1024维一维特征 #

适合需要拿到DenseNet输出的通用特征，后续接自定义逻辑的场景：

初始化代码 #

import torch
from torch import nn

base_model = torch.hub.load('pytorch/vision:v0.10.0', 'densenet121', pretrained=True)
# 可选：冻结主干参数，仅做特征提取不微调
for param in base_model.parameters():
    param.requires_grad = False

# 补齐缺失的后处理步骤
self.base_model = nn.Sequential(
    *list(base_model.children())[:-1],
    nn.ReLU(inplace=True),
    nn.AdaptiveAvgPool2d((1, 1)),
    nn.Flatten(start_dim=1)
)

前向调用 #

x = self.base_model(x)
# 输出尺寸为[1, 1024]，符合特征向量预期

方案2：直接替换最后一层分类头 #

适合基于预训练DenseNet做自定义分类任务的场景，写法更简洁：

初始化代码 #

base_model = torch.hub.load('pytorch/vision:v0.10.0', 'densenet121', pretrained=True)
# 可选：冻结主干参数，仅微调分类头
for param in base_model.parameters():
    param.requires_grad = False

# 替换原1000类的分类头为自定义类别数，示例为10分类
in_features = base_model.classifier.in_features
base_model.classifier = nn.Linear(in_features, 10)
self.base_model = base_model

前向调用 #

x = self.base_model(x)
# 输出尺寸为[1, 10]，符合自定义分类预期

你提到的输入尺寸[1,3,244,244]属于常见笔误，官方预训练权重基于224x224输入训练，建议使用224x224的输入以获得最优精度；若使用其他尺寸输入，自适应平均池化层会自动适配，最终输出的特征向量维度仍为1024，不会影响后续逻辑。

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