Pytorch 固定部分参数训练
我们经常会用到预训练模型，并在预训练模型的基础上添加额外层。训练时先将预训练层参数固定，只训练额外添加的部分。本文记录 Pytorch 相关操作。
固定参数
- 固定参数即网络训练时不改变该部分的权重，而更新指定层的参数
- pytorch 固定参数主要通过两个设置完成
- 将
tensor的requires_grad属性设置为False仅将该属性设置为 False 网络仍会训练并修改参数，还需要堆 optimizer 的输入参数进行过滤 - 在
optimizer中过滤需要更新的变量
requires_grad
- 初始化变量时可以设置该值为 False
Variable(torch.randn(5,5),requires_grad=True)- 也可以手动设置模型中的层
for p in self.parameters():
p.requires_grad=Falseoptimizer
- 在 optimizer 的变量位置可以过滤需要更新的变量，得到迭代器：
optimizer.SGD (filter(lambda p:p.requires_grad,model.parameters()), lr=1e-3)操作示例
只训练部分层
class RESNET_attention(nn.Module):
def __init__(self, model, pretrained):
super(RESNET_attetnion, self).__init__()
self.resnet = model(pretrained)
for p in self.parameters():
p.requires_grad = False
self.f = nn.Conv2d(2048, 512, 1)
self.g = nn.Conv2d(2048, 512, 1)
self.h = nn.Conv2d(2048, 2048, 1)
self.softmax = nn.Softmax(-1)
self.gamma = nn.Parameter(torch.FloatTensor([0.0]))
self.avgpool = nn.AvgPool2d(7, stride=1)
self.resnet.fc = nn.Linear(2048, 10)- 这样就将 for 循环以上的参数固定, 只训练下面的参数。
- 注意需要在 optimizer 中添加上这样的一句话
filter(lambda p: p.requires_grad, model.parameters()。
optimizer = optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr=0.0001, betas=(0.9, 0.999), eps=1e-08, weight_decay=1e-5)固定部分层参数
for k,v in model.named_parameters():
if k!='XXX':
v.requires_grad=False #固定参数检查部分参数是否固定
for k,v in model.named_parameters():
if k!='xxx.weight' and k!='xxx.bias' :
print(v.requires_grad) #理想状态下，所有值都是False查看可训练参数
for name, param in model.named_parameters():
if param.requires_grad:
print(name)查看网络总参数
net = Model()
print('# Model parameters:', sum(param.numel() for param in net.parameters()))不同层设置不同学习率
optim.SGD([
{'params': model.base.parameters()},
{params': model.classifier.parameters(),'lr':1e-3)],
lr=1e-2, momentum=0.9)这意味着 model.base 的参数将使用 1e-2 的默认学习率，model.classifier 的参数将使用 1e-3 的学习率，所有参数将使用 0.9 的动量。
PyTorch更新部分网络，其他不更新
- 假设有模型A和模型B,我们需要将A的输出作为B的输入，但训练时我们只训练模型B.那么可以这样做：
input_B = output_A.detach()- 它可以使两个计算图的梯度传递断开，从而实现我们所需的功能。
参考资料
本文参与 腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。
原始发表：2022年5月17日，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
