“model.classifier.in_features 是啥鬼？

很多人第一次看到 DenseNet 时最迷糊的一句：“model.classifier.in_features 是啥鬼？为啥不能直接用数字？”

我来给你拆开讲透彻，说明它的本质是什么。

---

先看这句代码：

num_ftrs = model.classifier.in_features

✅ 意思是：

从 DenseNet121 这个预训练模型中 取出最后一层分类器（classifier）输入的维度数。

这个数字我们要用来创建我们自己的新分类器：

model.classifier = nn.Linear(num_ftrs, num_classes)

你可以理解成：

我要把模型最后的“方向盘”换掉，但我不能乱来，要知道“方向盘底座多大”（输入维度），不然接口对不上。

---

拆解这个黑盒到底返回什么？

我们来验证一下：

import torchvision.models as models

model = models.densenet121(weights=None)
print(model.classifier)

输出结果是：

Linear(in_features=1024, out_features=1000, bias=True)

说明 DenseNet121 的分类层是一个全连接层：

nn.Linear(1024, 1000)

那 model.classifier.in_features 就是：

1024

---

为什么不直接写 1024？

当然你可以硬编码：

model.classifier = nn.Linear(1024, 2)

但是：

• 如果以后你换成别的模型，比如 resnet50，它最后一层的输入维度就是 2048，你就得改代码。
• 用 model.classifier.in_features 可以让代码具有更强的泛化能力，不怕模型结构变化。

---

类比解释

你可以把模型比作一条流水线工厂：

• 模型前面是各种复杂的卷积层、池化层（负责“处理原料”）
• 最后有个分拣机器（全连接层），它有：
  • 进料口（in_features）：它接受多少种“特征”
  • 出货口（out_features）：输出多少种分类结果（比如 1000 类）

你现在想重新定义出口数量（比如只输出“新冠 or 正常”）：

nn.Linear(num_ftrs, 2)

但是你不能瞎接线，要看前面传来的有多少条“输送带”过来，也就是 in_features。

---

总结：

表达式	解释
model.classifier	是最后的分类器层（一个 nn.Linear）
model.classifier.in_features	是该层的输入维度数（前面层输出的特征数量）
num_ftrs = model.classifier.in_features	获取这个值，为替换分类层做准备

---

✅ 示例：替换为你自己的分类器

完整示例：

num_ftrs = model.classifier.in_features
model.classifier = nn.Linear(num_ftrs, 2)  # 我只要两个类别

---

那其他模型的 .in_features 该怎么取，比如 resnet50、mobilenet_v2、efficientnet_b0？

常用的 图像分类模型 .in_features 写法表，你拿来替换分类器时直接复制粘贴就行，不用猜维度，也不用硬编码数字。

---

常用模型 .in_features 获取方式对照表：

模型名称	获取 in_features 写法	默认分类数	说明
ResNet18/34	model.fc.in_features	1000	最后一层是 model.fc
ResNet50/101/152	model.fc.in_features	1000	和 ResNet18 一样
DenseNet121/169/201	model.classifier.in_features	1000	最后一层是 model.classifier
VGG16/19	model.classifier[6].in_features	1000	最后一层是 classifier[6]
AlexNet	model.classifier[6].in_features	1000	和 VGG 一样的结构
MobileNetV2	model.classifier[1].in_features	1000	最后一层是 classifier[1]
EfficientNet_B0~B7	model.classifier[1].in_features	1000	同样是 classifier[1]
Swin Transformer	model.head.in_features	1000	最后一层叫 head

---

️ 通用替换写法模板

num_ftrs = model.<最后一层位置>.in_features
model.<最后一层位置> = nn.Linear(num_ftrs, num_classes)

示例（比如使用 MobileNetV2）：

import torchvision.models as models
import torch.nn as nn

model = models.mobilenet_v2(weights=None)
num_ftrs = model.classifier[1].in_features
model.classifier[1] = nn.Linear(num_ftrs, 2)  # 替换为 2 类分类

---

补充：如果你要 freeze 特征提取层（只训练分类器）

很多时候我们加载预训练模型，只训练最后一层：

for param in model.parameters():
    param.requires_grad = False  # 冻结所有层

# 只让分类层训练
model.classifier[1].requires_grad = True