网络中所有操作对象都是Varoable对象,而Variable有两个参数可用于固定参数:requires_grad和volatile。
一:requires_grad参数设置
Method 1: 初始化时指定,如下语句所示:
x = Variable(torch.randn(2, 3), requires_grad=True)
y = Variable(torch.randn(2, 3), requires_grad=False)
注意:Variable中requires_grad的默认值为False,但是Module中的层在定义时,相关的Variable中的requires_grad默认都是True。在计算图中,如果有一个输入的requires_grad是True,那么输出的requires_grad也是True。所以为了更方便的进行参数固定,建议使用Method 2 。
Method 2:网络模型中设置。在训练中想要固定网络的底层,可以令这部分网络对应的子图的参数requires_grad为False。这样在反向传播的过程中就不会计算这些参数对应的梯度。需要在nn.Module中直接插入如下语句:
for p in self.parameters():
p.requires_grad=False
For example 1: 在加载预训练模型后,在原来的基础上添加一部分的网络,这样可以固定原来的参数,然后只训练添加的这部分网络,结束后再全部训练。
class RESNET_attention(nn.Module):
def __init__(self, m