（联邦学习笔记）
在pytorch中，torchvison.module里有很多现有的模型可以直接使用，包括
- Alexnet
- VGG
- ResNet
- SqueezeNet
- DenseNet
- Inception v3
- GoogLeNet
- ShuffleNet v2
- MobileNet v2
- MobileNet v3
- ResNext
- Wide ResNet
- MNASNet
- Quantized Models
?官方文档链接：https://pytorch.org/vision/stable/models.html#id2
本次使用VGG模型
VGG模型是2014年ILSVRC竞赛的第二名，第一名是GoogLeNet。但是VGG模型在多个迁移学习任务中的表现要优于googLeNet。而且，从图像中提取CNN特征，VGG模型是首选算法。它的缺点在于，参数量有140M之多，需要更大的存储空间。但是这个模型很有研究价值。
先来看看VGG的特点：
-
小卷积核。作者将卷积核全部替换为3x3（极少用了1x1）；
-
小池化核。相比AlexNet的3x3的池化核，VGG全部为2x2的池化核；
-
层数更深特征图更宽。基于前两点外，由于卷积核专注于扩大通道数、池化专注于缩小宽和高，使得模型架构上更深更宽的同时，计算量的增加放缓；
-
全连接转卷积。网络测试阶段将训练阶段的三个全连接替换为三个卷积，测试重用训练时的参数，使得测试得到的全卷积网络因为没有全连接的限制，因而可以接收任意宽或高为的输入。
百度百科相关介绍链接：
?https://baike.baidu.com/item/VGG%20%E6%A8%A1%E5%9E%8B/22689655?fr=aladdin
VGG模型有两个参数：prtrained和progress
prtraine:如果为True，返回在ImageNet上预先训练过的模型
progress:如果为True，则显示下载到stderr的进度条
引用现有的vgg模型：
#本次使用VGG16模型
#prtraine:如果为True，返回在ImageNet上预先训练过的模型
from torch import nn
vgg16_false = torchvision.models.vgg16(pretrained=False)
vgg16_true = torchvision.models.vgg16(pretrained=True)
给现有的模型vgg16添加模型
vgg16_true.add_module("add_linear0",nn.Linear(1000,10))
print(vgg16_true)?在vgg16的classifier层里添加模型
vgg16_true.classifier.add_module("add_linear1",nn.Linear(1000,10))在vgg16的classifier层的第六行改成，Linear（in_features=4096,out_features=10）
vgg16_false.classifier[6] = nn.Linear(4096,10)
print(vgg16_false)完整代码展示：
import torchvision
#本次使用VGG16模型
#prtraine:如果为True，返回在ImageNet上预先训练过的模型
from torch import nn
vgg16_false = torchvision.models.vgg16(pretrained=False)
vgg16_true = torchvision.models.vgg16(pretrained=True)
print(vgg16_true)
train_data = torchvision.datasets.CIFAR10("../fl/data",train=True,transform=torchvision.transforms.ToTensor(),download=True)
#给现有的模型vgg16添加内容
vgg16_true.add_module("add_linear0",nn.Linear(1000,10))
print(vgg16_true)
#在vgg16的classifier层里添加模型
vgg16_true.classifier.add_module("add_linear1",nn.Linear(1000,10))
#在vgg16的classifier层的第六行改成，in_features=4096,out_features=10
vgg16_false.classifier[6] = nn.Linear(4096,10)
print(vgg16_false)