在上一期：卷积神经网络--猫狗系列之下载、导入数据集，如果测试成功就说明对数据的预处理工作已经完成，接下来就是构建模型阶段了：

据说建立一个神经网络模型比较简单，只要了解了各层的含义、不同层之间参数的传递等等，那么一个完整的网络模型就可以被容易地构建出来。（这对于我这种初学的同学来说嘎嘎困难哈哈）

不扯了，加载一个预训练模型---ResNet50：

借助torchvision库，能够很容易的获得一组已经训练好的模型，这些模型大多数接收一个称为pretrained的参数，当这个参数为True时，它会下载为ImageNet分类问题调整好的权重。

network1=models.resnet50(weights=models.ResNet50_Weights.DEFAULT)

紧接着，我们需要冻结所有层，所有的权重不会随着训练而更新：

for param in network1.parameters():    param.requires_grad=False

然后！由于这个预训练模型不是专门针对这样猫猫狗狗的二分类问题，所以，我们需要将最后一层的输出特征从1000改为2。（默认是1000类）

首先，我们需要知道最后一层的名字，通过network1查看一下，告诉大家怎么操作：

将network1输在pycharm中，把光标放在这一行，然后快捷键【shift+alt+E】（也可以鼠标选中然后右键专门运行这一行，这其实就是pycharm的交互模式）

得到这样的界面：

【可以知道最后一层是一个全连接层，名为fc。其他的东西以后有时间再分析，就是一些卷积、池化以及激活操作】

所以，我们就要将最后一层替换为输出特征为2的全连接层：

import torch.nn as nnnetwork1.fc=nn.Linear(2048,2)

此时，该层为新的层，所以它的requires_grad=True,这样整个网络仅有这一层可以更新权重。

打印更新后的网络：

该猫猫狗狗的模型构建代码总结：

from torchvision import modelsimport torch.nn as nnimport torch.optim as optim#网络搭建network1=models.resnet50(weights=models.ResNet50_Weights.DEFAULT)​for param in network1.parameters():    param.requires_grad=False​network1.fc=nn.Linear(2048,2)

利用已经训练好的模型主要目的是它能够提取出非常好的特征，最后一层接收前面层提取的特征，然后误差反向传播，仅更新这一层的权重，不断迭代。

【此猫狗系列会继续更】