迁移学习——finetune
一 权值初始化
1 保存模型参数(若拥有模型参数跳至步骤2)
假设已经创建了一个网络net=Net()
通过以下方式保存:
torch.save(net.state_dict(),'net_params.pkl') #保存网络参数,并通过.pkl的方式存放
2 加载模型
pretrained_dict = torch.load('net_params.pkl') #载入刚才保存的参数
3 初始化
#创建新模型,并取到的权值,对应的放到新模型中去
net=Net() #创建net
net_state_dict=net.state_dict()#获取已创建net的state_dict
#将pretrained_dict里不属于net_state_dict的剔除掉
pretrained_dict1={k:v for k,v in pretrained_dict.items() if k in net_state_dict}
#利用新产生的参数模型进行更新
net_state_dict.update(pretrained_dict1)
#加载到网络中去
net.load_state_dict(net_state_dict)
二 不同层设置不同的学习率
在进行预训练的时候通常希望每一层的学习率会有所不同,希望前面的权值更小一些;
详情见finetune.py文件叭~