当我使用torchvision中的预训练模型rsnet18时，我想去除分类层，仅作为特征提取器使用，请帮我写出相关代码

当你想要使用PyTorch的`torchvision.models`中的ResNet18模型作为特征提取器，通常需要从预训练的模型加载权重，然后冻结所有卷积层（不更新它们的权重），只保留前几层用于特征提取。以下是基本的代码示例：

import torch
from torchvision import models

# 加载预训练的ResNet18模型
model = models.resnet18(pretrained=True)

# 冻结所有的卷积层
for param in model.parameters():
    param.requires_grad = False

# 删除最后一层全连接层，即分类层（fc层）
del model.fc

# 获取特征提取部分（通常包括conv1到res4_x6）
features = list(model.children())[:-1]  # -1是因为我们删除了fc层

# 创建一个新的模型，只包含特征提取部分
feature_extractor = torch.nn.Sequential(*features)

# 现在你可以使用feature_extractor对输入数据进行特征提取
input_tensor = torch.randn(1, 3, 224, 224)  # 以batch_size=1, channels=3, height=224, width=224的 Tensor 初始化
output_features = feature_extractor(input_tensor)

在这个例子中，`output_features`将包含来自ResNet18的所有中间特征。