用pytorch将dropout层应用到resnet50里面

以下是一个示例代码，将dropout应用于resnet50中的全连接层：

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

class ResNet50(nn.Module):
    def __init__(self, num_classes):
        super(ResNet50, self).__init__()
        self.resnet50 = models.resnet50(pretrained=True)
        num_features = self.resnet50.fc.in_features
        self.dropout = nn.Dropout(p=0.5)
        self.fc = nn.Linear(num_features, num_classes)

    def forward(self, x):
        x = self.resnet50(x)
        x = self.dropout(x)
        x = self.fc(x)
        return x

model = ResNet50(num_classes=10)

在这个代码中，我们首先使用`models.resnet50(pretrained=True)`加载预训练的ResNet50模型。然后，我们从模型中获取全连接层的输入特征数，并创建一个dropout层，将其应用于ResNet50的输出。最后，我们添加一个新的全连接层，以适应我们的分类任务。在`forward`方法中，我们首先对输入数据进行ResNet50的正向传递，然后应用dropout层，并最终传递输出到新的全连接层中。