必做题：
（1）从 torchvision 中加载 resnet18 模型结构，并载入预训练好的模型权重
import torch
import torchvision.models as models
model = models.resnet18()
pretrained_state_dict=torch.load('./lesson2/weights/resnet18-5c106cde.pth')
model.load_state_dict(pretrained_state_dict, strict=True)
(2) 将(1)中加载好权重的resnet18模型，保存成onnx文件
onnx文件的大小为46.7 MB
(3) 以torch.rand([1,3,224,224]).type(torch.float32)作为输入，求resnet18的模型计算量和参数
量
1.82 GFLOPs and 11.69M parameters
(4) 以torch.rand([1,3,448,448]).type(torch.float32)作为输入，求resnet18的模型计算量和参数
量
7.27 GFLOPs and 11.69M parameters
思考题：
(1) 比较必做题中的(3)和(4)的结果，有什么规律?
因为模型没变，所以模型参数数量是相同的；输入图片的尺寸放大4倍，所以计算量也相应 扩大4倍
(2) 尝试用netron可视化resnet18的onnx文件
（3）model 作为 torch.nn.Module 的子类，除了用 model.state_dict()查看网络层外，还 可以用 model.named_parameters()和 model.parameters()。它们三儿有啥不同?
model.named_parameter() 相比 model.parameters() 可以多获取layer 的名字；这两者相比于model.state_dict() 的区别是他们获取的参数是部分可以被学习更新的参数，而后者获取到的是全部参数。
（4）加载模型权重时用的model.load_state_dict(字典,strict=True)，里面的strict参数什么情况下要赋值 False?
当model 与预训练模型结构不完全匹配时，选用False 参数。
