用pytorch实现vgg16，不使用nn.Sequential

在PyTorch中，VGG16是一个经典的深度学习模型，通常用于图像分类任务。要直接实现VGG16而不使用`nn.Sequential`，你需要手动构建每一层并添加到模型中。以下是步骤：

1. 首先，导入所需的库和模块：

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

2. 获取VGG16的基本结构，通常是去掉最后一层全连接层的部分，因为我们要自定义这部分：

features = vgg.VGG(make_layers(vgg.cfgs['D'])).features

这里`make_layers`函数是VGG模型里定义的一个内部函数，它根据配置生成网络的各个卷积层。

3. 创建一个新的自定义模块来组合这些特征层，并保存权重：

class VGGBase(nn.Module):
    def __init__(self, features):
        super(VGGBase, self).__init__()
        self.features = features

    def forward(self, x):
        for layer in self.features:
            x = layer(x)
        return x

# 将预训练好的VGG16特征加载到新模块上
vgg_base = VGGBase(features)
vgg_base.load_state_dict(torch.load('pretrained_vgg16.pth', map_location='cpu')["model"])

4. 如果你想保留前向传播过程，你可以像下面这样创建一个简单的模型：

class CustomVGG(nn.Module):
    def __init__(self):
        super(CustomVGG, self).__init__()
        # 添加其他必要的层，比如全局平均池化和全连接层，注意需要根据你的任务调整最后的分类层

    def forward(self, x):
        base_output = vgg_base(x)  # 使用VGGBase模块获取特征
        # 自定义的最后一部分，如FC layers or Pooling
        custom_layers = ...  # 你的自定义操作
        output = custom_layers(base_output)
        return output

custom_vgg = CustomVGG()

现在你有了一个名为`custom_vgg`的模型，它可以接收输入数据并输出特征或最终预测。记得替换`custom_layers`部分以适应你的任务需求。