这篇教程Pytorch实现网络部分层的固定不进行回传更新问题及思路详解写得很实用，希望能帮到您。
实际问题Pytorch有的时候需要对一些层的参数进行固定，这些层不进行参数的梯度更新
问题解决思路那么从理论上来说就有两种办法 - 优化器初始化的时候不包含这些不想被更新的参数，这样他们会进行梯度回传，但是不会被更新
- 将这些不会被更新的参数梯度归零，或者不计算它们的梯度
思路就是利用tensor的requires_grad，每一个tensor都有自己的requires_grad成员，值只能为True和False。我们对不需要参与训练的参数的requires_grad设置为False。 在optim参数模型参数中过滤掉requires_grad为False的参数。
还是以上面搭建的简单网络为例，我们固定第一个卷积层的参数，训练其他层的所有参数。
代码实现class Net(nn.Module): def __init__(self): super(Net,self).__init__() self.conv1 = nn.Conv2d(3,32,3) self.conv2 = nn.Conv2d(32,24,3) self.prelu = nn.PReLU() for m in self.modules(): if isinstance(m,nn.Conv2d): nn.init.xavier_normal_(m.weight.data) nn.init.constant_(m.bias.data,0) if isinstance(m,nn.Linear): m.weight.data.normal_(0.01,0,1) m.bias.data.zero_() def forward(self, input): out = self.conv1(input) out = self.conv2(out) out = self.prelu(out) return out 遍历第一层的参数，然后为其设置requires_grad model = Net()for name, p in model.named_parameters(): if name.startswith('conv1'): p.requires_grad = False optimizer = torch.optim.Adam(filter(lambda x: x.requires_grad is not False ,model.parameters()),lr= 0.2)为了验证一下我们的设置是否正确，我们分别看看model中的参数的requires_grad和optim中的params_group()。 for p in model.parameters(): print(p.requires_grad) 
能看出优化器仅仅对requires_grad为True的参数进行迭代优化。
LAST 参考文献Pytorch中，动态调整学习率、不同层设置不同学习率和固定某些层训练的方法_我的博客有点东西-CSDN博客 到此这篇关于Pytorch实现网络部分层的固定不进行回传更新的文章就介绍到这了,更多相关Pytorch网络部分层内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
Python接口自动化浅析logging日志原理及模块操作流程
python读取和保存mat文件的方法 |
