alexnet预训练模型

### AlexNet 预训练模型的下载与使用

对于希望获取并应用 AlexNet 预训练模型的情况，在 PyTorch 中可以通过官方库方便地实现这一目标。具体而言，`torchvision.models` 提供了一系列经典的神经网络架构及其预训练权重，其中包括了 AlexNet。

#### 下载预训练模型

要加载带有 ImageNet 数据集上预先训练好的权重的 AlexNet 模型，可以执行如下 Python 代码：

import torchvision.models as models

# 加载具有ImageNet预训练权重的AlexNet模型
model = models.alexnet(pretrained=True)

这段代码会自动从互联网下载由 PyTorch 官方维护的、针对特定版本 AlexNet 的预训练参数文件[^2]。

#### 查看模型结构

一旦成功创建了一个 `model` 对象，则可通过调用 `.summary()` 方法来查看整个网络的具体配置情况；不过需要注意的是，并不是所有的框架都支持此方法，比如在 PyTorch 中通常不会直接提供这样的功能，而是可能需要借助第三方工具如 `torchinfo` 或者通过打印每一层来进行简单的展示。

#### 修改输出层（可选）

如果打算利用这个预训练模型作为特征提取器，并将其应用于新的分类任务中，那么可以根据目标任务调整最后一层全连接层(`fc`)的输出维度。例如，假设新任务有十个类别，则应将最后的线性变换设置为映射到这十维空间上去：

num_ftrs = model.classifier[6].in_features
model.classifier[6] = nn.Linear(num_ftrs, 10)

if torch.cuda.is_available():
    model = model.to('cuda')

这里修改了原始模型中的第六个子模块——即最后一个全连接层，使其适应于自定义的任务需求[^3]。