torchvision.models.vgg 介绍
torchvision.models.vgg 是 PyTorch 中提供的 VGG 网络模型的模块，VGG 是一种经典的卷积神经网络架构。
通过 torchvision.models.vgg，我们可以方便地加载各种 VGG 模型（如 VGG11、VGG13、VGG16 等），这些模型可以用于图像分类、特征提取等任务。
它有两个重要参数：
- weights 参数：指定是否加载预训练的权重。可以设置为
None（不加载预训练权重）或者指定为某种权重（如VGG16_Weights.IMAGENET1K_V1），这样可以使用在 ImageNet 数据集上预训练的权重，以提高模型的性能。 - progress 参数：在下载预训练权重时，是否显示下载进度。
使用 VGG 模型并不需要提前安装 ImageNet 数据集，但如果想使用预训练权重，这些权重是基于 ImageNet 数据集训练的，因此预训练模型的输出会有 1000 个类别。
vgg16_False与vgg16_True的解释
视频中的解释是准确的：
pretrained=False：仅加载 VGG16 的网络结构，所有参数（权重和偏置）会使用默认的随机初始化。这不需要下载任何文件。pretrained=True：加载在 ImageNet 数据集上训练好的参数，这会下载并加载每一层的权重参数。
更生动的解释： 可以把 VGG 模型比作一架新飞机：
- 加载网络模型（
pretrained=False）：就像是组装好飞机的框架，但里面的设备和油料都是空的，你需要自己加油和安装设备。 - 下载参数（
pretrained=True）：就像是加满油、安装好设备的飞机，已经可以飞行（即直接用于任务），因为它在 ImageNet 数据集上学到了许多特征。
print(vgg16_True) 和 print(vgg16_False) 的结果
无论 pretrained=True 还是 False，调用 vgg16 都会得到同样的网络架构，因为 pretrained 只是决定是否加载预训练的权重，不会改变网络的结构。所以 print(vgg16_False) 和 print(vgg16_True) 输出的都是 VGG16 的结构。
VGG16 的输出类别修改
在图1的代码中，VGG16 的最后一层是 Linear(in_features=4096, out_features=1000, bias=True)，表示输出 1000 个类别。CIFAR-10 数据集只有 10 个类别，因此我们需要修改模型的输出层。
使用 .add_module：
.add_module是用于向模型的某个模块中添加新层的方法。
使用 .classifier.add_module：
- 在
classifier部分添加新层
使用 .classifier[6]：
- 直接修改
classifier的第7层
