参考链接：
1.用pytorch搭建AlexNet（微调预训练模型及手动搭建） - sjtuxx_lee的博客 - CSDN博客
2.pytorch学习笔记之加载预训练模型 - spectre - CSDN博客
第一篇文章实现了直接加载Alexnet预训练模型，并根据自己的需要微调（将最后一层全连接层输出由1000改为10)。运行没有问题，下面是我自己的理解和备注。原代码可以在参考链接2中直接copy。
import torch.nn as nn #nn设置网络结构详细参数
from torchvision import models #torchvision包，它包括3个子包，分别是： torchvison.datasets ，torchvision.models ，torchvision.transforms ，分别是预定义好的数据集（比如MNIST、CIFAR10等）、预定义好的经典网络结构（比如AlexNet、VGG、ResNet等）和预定义好的数据增强方法（比如Resize、ToTensor等）。
class BuildAlexNet(nn.Module):
def __init__(self, model_type, n_output):
super(BuildAlexNet, self).__init__()
self.model_type = model_type
if model_type == 'pre': #定义两种model类型，一个直接从alexnet中继承这个参数和结构，定义名称为‘pre’。 另一个是自己设定的网络结构，定义为'new'
model = models.alexnet(pretrained=True) #加载alexnet模型，pretrained为真，则加载网络结构和预训练参数。否则，只加载网络结构[2]
self.features = model.features #因为只要求更改最后的分类数，所以feature类直接从预训练网络中继承classifier 类除了要更改的分类层，其他的也从原网络中定义好
fc1 = nn.Linear(9216, 4096) #fc1和fc2继承原网络的classifier参数
fc1.bias = model.classifier[1].bias
fc1.weight = model.classifier[1].weight
fc2 = nn.Linear(4096, 4096)
fc2.bias = model.classifier[4].bias
fc2.weight = model.classifier[4].weight
self.classifier = nn.Sequential( #定义新的classifier层，前两层保持不变，底端分类层分类数用n_output代替
nn.Dropout(),
fc1,
nn.ReLU(inplace=True),
nn.Dropout(),
fc2,
nn.ReLU(inplace=True),
nn.Linear(4096, n_output))
#或者直接修改为
# model.classifier[6]==nn.Linear(4096,n_output)
# self.classifier = model.classifier
if model_type == 'new': #这是自己定义的网络模型（feature,classifier）
self.features = nn.Sequential(
nn.Conv2d(3, 64, 11, 4, 2),
nn.ReLU(inplace = True),
nn.MaxPool2d(3, 2, 0),
nn.Conv2d(64, 192, 5, 1, 2),
nn.ReLU(inplace=True),
nn.MaxPool2d(3, 2, 0),
nn.Conv2d(192, 384, 3, 1, 1),
nn.ReLU(inplace = True),
nn.Conv2d(384, 256, 3, 1, 1),
nn.ReLU(inplace=True),
nn.MaxPool2d(3, 2, 0))
self.classifier = nn.Sequential(
nn.Dropout(),
nn.Linear(9216, 4096),
nn.ReLU(inplace=True),
nn.Dropout(),
nn.Linear(4096, 4096),
nn.ReLU(inplace=True),
nn.Linear(4096, n_output))
def forward(self, x):
x = self.features(x)
x = x.view(x.size(0), -1)
out = self.classifier(x)
return out
import numpy as np #从这里开始就是验证函数
from torch.autograd import Variable
import torch
if __name__ == '__main__':
model_type = 'pre'
n_output = 10
alexnet = BuildAlexNet(model_type, n_output) #调用函数buildAlexnet，网络选项是预训练模型，输出是10，也就是分十类
print(alexnet)
x = np.random.rand(1,3,224,224) #随机创建一个224*224，通道为3的数组，模拟三通道的图片
x = x.astype(np.float32)
x_ts = torch.from_numpy(x) #转换成torch能用的张量形式
x_in = Variable(x_ts) #『PyTorch』第五弹_深入理解autograd_上：Variable属性方法 - 叠加态的猫 - 博客园
y = alexnet(x_in) #输出结果
打印出来的网络结构如下：
输出分类结果y如下：
最后的分类结果是10类，check~
待解决：1.代码倒数第二行的torch.autograd.variable没有理解清楚，链接已贴.上. ，等您脑袋清楚了一定要看哈。
2.继承，super()，代码第五行
