在你提供的代码中，模型的输出长度总是1000的原因是因为你使用的是预训练的MobileNetV2模型，该模型的最后一层是一个全连接层，输出的是1000个类别的概率分布。

在PyTorch中，预训练的模型通常包含一个全连接层作为最后一层，用于分类任务。这个全连接层的输出大小通常与数据集的类别数量相对应。对于ImageNet数据集，类别数量为1000，因此预训练的MobileNetV2模型的输出大小为1000。

如果你想要输出模型的特征向量而不是分类概率，可以修改模型的最后一层，将其替换为适合你的任务的层。例如，可以将最后一层替换为全局平均池化层，然后再添加一个自定义的全连接层。

以下是一个示例，展示如何修改模型的最后一层：

import torch
import torchvision.models as models

# 加载预训练的MobileNetV2模型
net = models.mobilenet_v2(pretrained=True)
net = net.eval()

# 修改模型的最后一层
num_features = net.classifier[-1].in_features
net.classifier[-1] = torch.nn.Linear(num_features, 10)  # 替换为10个类别的全连接层

# 输出模型的长度
num_layers = len(net.features)
print("Number of layers in the network:", num_layers)

在上述示例中，我们将MobileNetV2模型的最后一层替换为一个输出10个类别的全连接层。这样，模型的输出大小就变成了10，而不再是1000。你可以根据你的任务需求修改最后一层的输出大小。
--
FROM 120.242.238.*