记录一下常用的网络操作小技巧
- 有三个相同结构的网络模型, 并且参数名也相同,将其中两个模型的参数取平均作为第三个模型的参数 。 只融合某一层。
# model
# alice_model
# bob_model
# 网络参数 ['conv1.weight', 'conv1.bias', 'conv2.weight', 'conv2.bias', 'fc1.weight', 'fc1.bias', 'fc2.weight', 'fc2.bias']
# 只融合一层
with torch.no_grad():
model.conv1.weight.set_((alice_model.conv1.weight+ bob_model.conv1.weight)/2.)
- 有三个相同结构的网络模型, 并且参数名也相同,将其中两个模型的参数取平均作为第三个模型的参数 。融合所有层。
models = ['alice_model', 'bob_model', 'model']
with torch.no_grad():
for param_name in models:
eval(models[2]+'.'+ param_name).set_((eval(models[2]+'.'+ param_name) +\
eval(models[2]+'.'+ param_name))/2.)
- 指定网络每一层学习速率
params_lr = []
base_lr = 0.01
params_dict_adapt = dict(Model.named_parameters())
for key,value in params_dict_adapt.items():
if key[:19] == 'xxxxxx':#看具体网络层名称
params_lr.append({'params': [value], 'lr': base_lr*0.00})
else:
params_lr.append({'params':[value],'lr':base_lr})
optimizer = optim.Adam(params_lr)
scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=4, gamma=0.5) #每4次epoch将学习率降低到一半
- 多个Dataloader中同时提取样本与标签
for batch_idx,sample in enumerate(zip(train_loader1, train_loader2, train_loader3)):