1、
使用现有模型时,如resnet、vgg16时,进行改进后,如果只想训练自己改进后的参数,可以先将原来网络参数的requires_grad = False
net = resnet50(pretrained = True)
for param in net.parameters():
param.requires_grad = False
#添加自己定义的层
net.fc = nn.Linear(net.fc.in_features, 100)
#在训练时,只需要在optizimer里面设定部分参数
optimizer = torch.optim.Adam(["params": net.fc.parameters()], lr = 0.01)
#这样就可以只训练自定义部分参数
2、
如果想将两个模型训练的结果融合,更好的做法是在网络中直接实现,而不是放在主程序中实现
例如:
那可以创建一个融合的网络,使得在主程序中只有一个net.train(),一个net1.eval()
class Fusion1(nn.Module):
def __init__(self):
super(Fusion1, self).__init__()
self.RGB_generator = FCN32s1()
self.HHA_generator = FCN32s2()