用resnet34提取特征，去掉最后的全连接层，形成新的模型

ResNet-34是一个预训练的深度残差神经网络，在计算机视觉领域非常流行，特别是在图像分类任务中。当你想要从ResNet-34提取特征而不是用于最终的预测时，通常的做法是：

1. **加载预训练模型**：首先，你需要安装PyTorch等库，并下载预训练的ResNet-34模型。这可以在torchvision.models模块中找到。

import torch
from torchvision.models import resnet34

model = resnet34(pretrained=True)

2. **冻结权重**：为了避免对预训练权重造成破坏，你可以将所有卷积层和前几层的权重设置为不可训练，只允许后面的全连接层学习新任务的特定特征表示。

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

3. **移除全连接层**：由于我们不再需要模型的分类输出，可以删除`model.fc`（全连接层）。这不会影响特征提取部分。

features_model = nn.Sequential(*list(model.children())[:-1])

4. **输入并获取特征向量**：对于每个输入图像，你可以通过这个新的`features_model`计算出中间层的特征表示。

input_image = ... # 你的图像数据
output_features = features_model(input_image)