pytorch 实现 ResNet50 实现特征提取且最后输出为1*32720的一维向量

可以使用预训练的 ResNet50 模型，并将其最后一层的全连接层去掉，这样就可以得到一个特征提取器。然后，你可以将输入数据输入到这个特征提取器中，得到一个形状为 [batch_size, 2048, 1, 1] 的张量。接下来，你需要将这个张量展平成一个形状为 [batch_size, 2048] 的张量，然后再将其传递到一个全连接层中，输出一个形状为 [batch_size, 32720] 的张量。具体的代码实现如下：

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

class ResNet50(nn.Module):
    def __init__(self):
        super(ResNet50, self).__init__()
        self.resnet50 = models.resnet50(pretrained=True)
        self.resnet50.fc = nn.Identity()  # 去掉最后一层全连接层

        self.fc = nn.Linear(2048, 32720)

    def forward(self, x):
        x = self.resnet50(x)
        x = x.view(x.size(0), -1)  # 展平特征张量
        x = self.fc(x)
        return x

这里的 `ResNet50` 类继承自 `nn.Module`，并包含了一个预训练的 ResNet50 模型和一个全连接层。在前向传播中，我们首先将输入数据输入到 ResNet50 模型中，得到一个形状为 [batch_size, 2048, 1, 1] 的张量，然后将其展平成一个形状为 [batch_size, 2048] 的张量，并将其传递到全连接层中，得到一个形状为 [batch_size, 32720] 的输出张量。