PyTorch 更新模型参数以及并固定该部分参数(二)

简介

在进行这部分时，会存在一些疑惑，针对以下疑惑进行解答。

问题一：实际上在固定参数的时候，大家会有疑惑，既然使用这种方式固定冻结网络参数是否存在固定的高层网络，但是低层网络的参数不会更新呢？

答：实际上固定网络参数只是让需要固定的层的参数不再自己保留梯度，但是梯度值仍会计算，即进行方向传播时仍然会可以进行低层网络参数的更新。required_grad属性只是控制是否保留梯度而已，但仍然会计算该梯度值

问题二：是否只将需要训练层的参数传播到优化器里optimter就可以实现，不需要进行固定部分呢？

答：实际上不固定里边的梯度属性required_grad的话，需要固定部分的参数是一直在进行变化的，虽然没有参与参数的更新。

大家在学习pytorch时，可能想利用pytorch进行fine-tune,但是又烦恼于参数的加载问题。下面我将讲诉我的使用心得。

Step1: 加载预训练模型,并去除需要再次训练的层

注意：需要重新训练的层的名字要和之前的不同。

model=resnet()#自己构建的模型，以resnet为例
model_dict = model.state_dict()
pretrained_dict = torch.load('xxx.pkl')
pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}
model_dict.update(pretrained_dict)
model.load_state_dict(model_dict)

Step2: 固定部分参数

#k是可训练参数的名字，v是包含可训练参数的一个实体
#可以先print（k）,找到自己想进行调整的层，并将该层的名字加入到if语句中：
for k,v in model.named_parameters():
    if k!='xxx.weight' and k!='xxx.bias' :
        v.requires_grad=False#固定参数

Step3：训练部分参数

#将要训练的参数放入优化器

optimizer2=torch.optim.Adam(params=[model.xxx.weight，model.xxx.bias],lr=learning_rate,betas=(0.9,0.999),weight_decay=1e-5)

Step4:检查部分参数是否固定

debug之后，程序正常运行，最好检查一下网络的参数是否真的被固定了，如何没固定，网络的状态接近于重新训练，可能会导致网络性能不稳定，也没办法得到想要得到的性能提升。

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

需要注意的是，操作失误最大的影响是，loss函数几乎不会发生变化，一直处于最开始的状态，这很可能是因为所有参数都被固定了。