你好，我的想法是在加载模型的时候，能不能不将最后一层的参数加载进来，而是随机化的～因为目前有了nextvlad算法的参数了，但是该模型的最后一层输出不是很符合我的需求～

有没有接口可以直接修改某一层的参数值，或直接将一个随机初始化的矩阵赋给某一个层的呢

你的耐心解答让我对paddlepaddle的架构更加的了解，谢谢啦。那假如我想使用paddlepaddle的预训练参数做迁移学习，我就打算修改了最后一层的参数(将输出从3862维改为51维)，我目前的做法是将原先的参数加载进来，到了最后一层，维度不匹配了，paddlepaddle的底层是怎么运作的呢？会不会将先前维度匹配的网络层的参数加载进来呢

if args.resume:
    # if resume weights is given, load resume weights directly
    assert os.path.exists(args.resume), \
            "Given resume weight dir {} not exist.".format(args.resume)
    fluid.io.load_params(
       exe, '', main_program=train_prog, filename=args.resume)
    # param_load.load_params(
    #     exe, '', main_program=train_prog, filename=args.resume)
    embedding_name ="logits_clf_weights"
    embedding_param_weight = fluid.global_scope().find_var(
        embedding_name)
    if embedding_param_weight:
        embedding_param = embedding_param_weight.get_tensor()
        embedding_param.set(np.random.rand(2048,51).astype(np.float32), place)
    embedding_name="logits_clf_bias"
    embedding_param_bias = fluid.global_scope().find_var(
        embedding_name)
    if embedding_param_bias:
        embedding_param=embedding_param_bias.get_tensor()
        embedding_param.set(np.random.rand(51).astype(np.float32), place)