models.resnet152()屏蔽预训练模型的权重，只训练全连接层的权重

要冻结预训练模型的权重，只训练全连接层的权重，你可以设置`requires_grad`属性为False来冻结预训练模型的参数。以下是一个示例代码：

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

# 加载预训练的ResNet-152模型
net = models.resnet152(pretrained=True)

# 冻结预训练模型的参数
for param in net.parameters():
    param.requires_grad = False

# 获取原始全连接层的输入特征数量
num_features = net.fc.in_features

# 定义新的全连接层，将输入特征数量映射到新的输出数量
num_classes = 10  # 设置新的类别数量
new_fc = nn.Linear(num_features, num_classes)

# 替换原始模型的全连接层
net.fc = new_fc

在上面的示例中，我们首先加载预训练的ResNet-152模型。然后，我们使用`for`循环遍历所有的模型参数，并将它们的`requires_grad`属性设置为False，从而冻结它们的梯度计算。接下来，我们获取原始全连接层的输入特征数量（即原始模型的`fc.in_features`）。然后，我们定义一个新的全连接层，将输入特征数量映射到新的输出数量（即新的类别数量）。最后，我们将新的全连接层替换掉原始模型中的全连接层（即将`net.fc`设置为新的全连接层）。

通过这种方式，你可以冻结预训练模型的权重，只训练全连接层的权重，以便在特定任务上进行微调训练。