PyTorch是一个非常流行的深度学习框架，它可以让开发者快速地搭建神经网络，并且提供了很多预训练的模型供开发者使用。如果我们想要继续训练这些预训练的模型，我们可以选择冻结部分层，只训练特定的层。本文将从几个方面介绍如何在PyTorch中载入预训练模型后，实现训练指定层。1. 载入预训练模型
我们可以使用torchvision来载入预训练模型。torchvision提供了很多流行的预训练模型，比如ResNet、VGG、AlexNet等等。我们可以使用以下代码载入一个预训练的ResNet18模型：
```python
import torchvision.models as models
model = models.resnet18(pretrained=True)
```
载入预训练模型后，我们可以使用model.parameters()来查看所有的参数，也可以使用model.children()来查看所有的层。
2. 冻结部分层
如果我们想要继续训练这个预训练模型，但是只想训练最后一层，我们可以冻结前面的所有层。我们可以使用以下代码来冻结前面的所有层：
```python
for param in model.parameters():
param.requires_grad = False
```
这样，我们就可以只训练最后一层了。
3. 只训练指定层
如果我们想要训练除了最后一层以外的所有层，我们可以使用以下代码来将最后一层除外：
```python
for name, child in model.named_children():
if name in ['fc']:
continue
for param in child.parameters():
param.requires_grad = True
```
这样，我们就可以只训练除了最后一层以外的所有层了。
4. 载入指定层的预训练模型
如果我们想要载入一个只训练指定层的预训练模型，我们可以使用以下代码来载入模型：
```python
import torch.nn as nn
import torchvision.models as models
class Model(nn.Module):
def __init__(self):
super(Model, self).__init__()
self.features = models.resnet18(pretrained=True)
self.fc = nn.Linear(512, 10)
def forward(self, x):
x = self.features(x)
x = x.view(x.size(0), -1)
x = self.fc(x)
return x
model = Model()
for name, child in model.features.named_children():
if name in ['fc']:
continue
for param in child.parameters():
param.requires_grad = True
```
这样，我们就可以载入一个只训练指定层的预训练模型了。
总之，PyTorch可以让我们方便地载入预训练模型，并且灵活地选择需要训练的层。我们可以根据自己的需求来选择合适的方法来训练模型。
