pytorch参数初始化以及fine-tune

转发https://blog.csdn.net/hx14301009/article/details/82693935

 

前言

这篇文章算是论坛PyTorch Forums关于参数初始化和finetune的总结，也是我在写代码中用的算是“最佳实践”吧。最后希望大家没事多逛逛论坛，有很多高质量的回答。

参数初始化

参数的初始化其实就是对参数赋值。而我们需要学习的参数其实都是Variable，它其实是对Tensor的封装，同时提供了data，grad等借口，这就意味着我们可以直接对这些参数进行操作赋值了。这就是PyTorch简洁高效所在。 

所以我们可以进行如下操作进行初始化，当然其实有其他的方法，但是这种方法是PyTorch作者所推崇的：

1. def weight_init(m):

2. # 使用isinstance来判断m属于什么类型

3. if isinstance(m, nn.Conv2d):

4. n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels

5. m.weight.data.normal_(0, math.sqrt(2. / n))

6. elif isinstance(m, nn.BatchNorm2d):

7. # m中的weight，bias其实都是Variable，为了能学习参数以及后向传播

8. m.weight.data.fill_(1)

9. m.bias.data.zero_()

 

然后使用model.apply(weight_init) 即可初始化你的model参数

apply函数会递归地搜索网络内的所有module并把参数表示的函数应用到所有的module上。

Finetune

往往在加载了预训练模型的参数之后，我们需要finetune模型，可以使用不同的方式finetune。

局部微调

有时候我们加载了训练模型后，只想调节最后的几层，其他层不训练。其实不训练也就意味着不进行梯度计算，PyTorch中提供的requires_grad使得对训练的控制变得非常简单。

1. model = torchvision.models.resnet18(pretrained=True)

2. for param in model.parameters():

3. param.requires_grad = False

4. # 替换最后的全连接层， 改为训练100类

5. # 新构造的模块的参数默认requires_grad为True

6. model.fc = nn.Linear(512, 100)

7.  

8. # 只优化最后的分类层

9. optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)

全局微调

有时候我们需要对全局都进行finetune，只不过我们希望改换过的层和其他层的学习速率不一样，这时候我们可以把其他层和新层在optimizer中单独赋予不同的学习速率。比如：

1. ignored_params = list(map(id, model.fc.parameters()))

2. base_params = filter(lambda p: id(p) not in ignored_params,

3. model.parameters())

4.  

5. optimizer = torch.optim.SGD([

6. {'params': base_params},

7. {'params': model.fc.parameters(), 'lr': 1e-2}

8. ], lr=1e-3, momentum=0.9)

其中base_params使用1e-3来训练，model.fc.parameters使用1e-2来训练，momentum是二者共有的