两个网络连接时只训练后一个网络参数的解决办法

本人的网络情况是：前一个网络是之前训练好的，后一个网络需要用到前面网络的输出以及backbone的特征层。但是试了网上的一些方法发现都不太行，我的model1指的是前一个网络，model2是整个网络。碰到的问题如下：

1、model2和model1对应层的参数名不一样！虽然是同一层，由于我构造网络时把model1设成了model2 的backbone,导致我的model2对应层的参数名比model1多了‘backbone_neck.’。所以在给model1加载参数时一定要改了名再赋值。

2、在赋值时直接用‘param=’赋值也不行，不知道原因在哪，但是导致的结果就是参数依然没有加载进去，采用chatgpt建议的model2.state_dict()[name].copy_成功了，最后我采用了如下方法：

checkpoint=torch.load(weights_path, map_location=torch.device('cpu'))#得到的是参数字典
    netpara=checkpoint['net']
    #model1.load_state_dict(netpara, strict=False)#载入模型
    i=0
    for (name, param) in model2.named_parameters():
            model1name=name[14: ]

#'backbone_neck.'model2对应的名字比model1多14个字符
            if model1name in netpara:
                model2.state_dict()[name].copy_(netpara[model1name])
                param.requires_grad=False
            else:
                pass

3、为了保证model1的参数固定好了反向传播时不会参与训练，我在model2定义的类里，在def foward部分，用到model1的输出时，加了with torch.no_grad():，事实证明确实有用，即使参数没加载进去的时候，每个epoch的model1内的参数都是固定的，没有参与训练，如下：

 def forward(self, x: torch.Tensor):
        x=x.to(device=device)
        with torch.no_grad():
          ..........=self.backbone_neck(x)