深度学习网络中设置部分层参数可调

1.基于框架pytorch。先查看网络每层的名字p[0]，将需要梯度更新的层的名字记下，替换以下代码中的’conv5_ft.conv.weight/bias’，将不需要梯度更新层的require_grad设为False。

for p in net.named_parameters():
    if p[0] != 'conv5_ft.conv.weight' and p[0]!='conv5_ft.conv.bias':                 //should be changed
        p[1].requires_grad=False

ps：如果有梯度，不更新，则该梯度会影响其他层的参数更新。
2.验证设置是否成功：

for xyz in net.parameters():
       print(xyz.requires_grad)

3.最后一步，将require_grad=False的层筛掉，只对True层进行参数优化：
决定本层参数是否更新

optimizer = torch.optim.SGD(filter(lambda p: p.requires_grad, net.parameters()),lr=lr,momentum=cfg.momentum，weight_decay=cfg.weight_decay)

4.训练一段时间后验证是否成功：
利用net.named_parameters()输出训练前后某层参数p[1]，看是否不同。