Pytorch：代码实现不同层设置不同的学习率，选择性学习某些层参数

1，如何动态调整学习率

在使用pytorch进行模型训练时，经常需要随着训练的进行逐渐降低学习率，在pytorch中给出了非常方面的方法：

假设我们定义了一个优化器：

import torch
import torch.nn as nn
optimizer = torch.optim(model.parameters(), lr = 0.01, momentum = 0.9)

该优化器的初始化学习为0.01，

如果我们学习每个"n" 个epoch把学习率降低为原来的0.9倍，则需要声明一个学习率调节器：

torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma=0.1, last_epoch=-1)

其中：

optimizer: 前面声明的优化器；

 

step_size: 每step_size个epoch学习率降低为原来的gamma倍，

last_epoch: 当前所处的epoch

例如：

 # Assuming optimizer uses lr = 0.05 for all groups
 # lr = 0.05     if epoch < 30
 # lr = 0.005    if 30 <= epoch < 60
 # lr = 0.0005   if 60 <= epoch < 90
 # ...
 scheduler = StepLR(optimizer, step_size=30, gamma=0.1)
 for epoch in range(100):
     scheduler.step()
     train(...)
     validate(...)

另外其他常用的更新策略类似：

torch.optim.lr_scheduler.ExponentialLR(optimizer, gamma, last_epoch=-1)

torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max, eta_min=0, last_epoch=-1)

torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', factor=0.1, patience=10, verbose=False, threshold=0.0001, threshold_mode='rel', cooldown=0, min_lr=0, eps=1e-08)

torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda, last_epoch=-1)

2，如何选择性学习某些参数

对于我们现有的模型model，通过调整参数的requires_grad 属性控制该模型是否参与求导运算

for name, param in model.named_parameters():
    if param.requires_grad:
        print("requires_grad: True ", name)
    else:
        print("requires_grad: False ", name)

如果模型中包含多个子模块，可用通过

sub_block = model.children()

 

获取该模块，然后通过迭代索引的方式获取参数：

for name, param in sub_block.named_parameters（）