直接用 model.features 报错是因为pytorch新版预训练模型未统一定义该属性；resnet需手动拼接conv1~layer4，vgg16的features存在但需列表索引切片，efficientnet_b0虽有features但内部嵌套mbconv，切片需谨慎并注意eval()。
为什么直接用 model.features 会报错
PyTorch 官方预训练模型（如 resnet50、vgg16、efficientnet_b0）并没有统一的 features 属性。这个写法常见于 torchvision 0.12 以前的旧版 VGG 或某些第三方封装，但新版中已被移除或根本不存在。直接访问会触发 AttributeError: 'ResNet' object has no attribute 'features'。
真正可靠的方式是理解模型结构，定位到特征提取结束的位置（通常是最后一个全局池化层之前），再用 nn.Sequential 截取子模块。
-
resnet50的主干是model.layer1到model.layer4，后面接model.avgpool和model.fc；特征层应截到layer4输出为止 -
vgg16的卷积部分在model.features（这次是真的存在！），但要注意它包含所有卷积+激活+池化，而你可能只想取到某一层，比如第 29 层（倒数第二个卷积） -
efficientnet_b0没有features属性，其主干是model.features—— 等等，这里确实有！但它是nn.Sequential，可直接索引，不过要注意内部模块命名不一致（比如含Conv2d、SiLU、MBConv）
用 nn.Sequential 切 resnet50：别漏掉 model.conv1 和 model.bn1
很多人只切 layer1–layer4，却忘了 ResNet 的第一层是独立的 conv1 + bn1 + relu + maxpool，它们不属于任何 layerX，但属于特征提取流程。漏掉会导致输入维度不匹配或特征丢失。
正确做法是把前四块全部打包：
import torch.nn as nn from torchvision.models import resnet50 <p>model = resnet50(pretrained=True) model.eval()</p><h1>提取完整特征主干（不含 avgpool 和 fc）</h1><p>feature_extractor = nn.Sequential( model.conv1, model.bn1, model.relu, model.maxpool, model.layer1, model.layer2, model.layer3, model.layer4 )</p>
注意：model.layer4 输出是 [B, 2048, H, W]，若后续需要固定长度向量，仍需自己加 nn.AdaptiveAvgPool2d(1) 或调用 F.adaptive_avg_pool2d。
对 vgg16 做精细切片：用 list(model.features) 查索引
vgg16.features 是 nn.Sequential，但它内部是按顺序堆叠的模块列表，没有层级名。想取“前 20 层”，不能靠属性名，得转成 Python list 看结构：
model = vgg16(pretrained=True) modules = list(model.features) print(len(modules)) # 输出 31 print(modules[0]) # Conv2d(3, 64, kernel_size=(3, 3), ...) print(modules[29]) # Conv2d(512, 512, kernel_size=(3, 3), ...)
常见需求：
- 取 backbone 到最后一个卷积（不含最后两个
Conv2d+ReLU）：用nn.Sequential(*modules[:29]) - 想保留空间分辨率（比如做检测/分割），避免最后的
MaxPool2d：用nn.Sequential(*modules[:-1])（去掉末尾 pool） - 注意
modules[28]是ReLU，modules[29]是Conv2d，顺序不能反，否则激活在卷积前——语义错误
切 efficientnet_b0 时小心 MBConv 和 nn.Sequential 嵌套
efficientnet_b0.features 看似是扁平 Sequential，实际内部第 1–7 层是 MBConv 模块，每个 MBConv 自身又是 nn.Sequential。直接索引 model.features[5] 拿到的是整个 MBConv，无法进一步拆解。
如果你只需要到第 5 个 MBConv 的输出（即 stage 3 结束），可以安全切：
feature_extractor = nn.Sequential(*model.features[:6]) # 包含第 0~5 层（共 6 个模块）
但若想精确停在某个 MBConv 内部（比如只取它的 depthwise 卷积之后），就必须重写该模块或用 register_forward_hook —— nn.Sequential 切片做不到。
另外，efficientnet_b0 默认输入尺寸是 224×224，但其 stem（前两层）对小图敏感；切片后若输入变小（如 112×112），要确认前几层 stride 是否导致输出为 0 size（例如 torch.Size([1, 32, 0, 0])）。
最易被忽略的一点：所有切片后的模型默认仍带 training=True，即使原模型已 eval()。务必手动调用 feature_extractor.eval()，否则 BatchNorm 和 Dropout 行为异常，特征不稳定。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
