本文最后更新于:2024年1月14日 晚上

我们经常会用到预训练模型,并在预训练模型的基础上添加额外层。训练时先将预训练层参数固定,只训练额外添加的部分。本文记录 Pytorch 相关操作。

固定参数

  • 固定参数即网络训练时不改变该部分的权重,而更新指定层的参数
  • pytorch 固定参数主要通过两个设置完成
  1. tensorrequires_grad 属性设置为 False

    仅将该属性设置为 False 网络仍会训练并修改参数,还需要堆 optimizer 的输入参数进行过滤

  2. optimizer 中过滤需要更新的变量

requires_grad

  • 初始化变量时可以设置该值为 False
1
Variable(torch.randn(5,5),requires_grad=True)
  • 也可以手动设置模型中的层
1
2
for p in self.parameters():
p.requires_grad=False

optimizer

  • 在 optimizer 的变量位置可以过滤需要更新的变量,得到迭代器:
1
optimizer.SGD (filter(lambda p:p.requires_grad,model.parameters()), lr=1e-3)

操作示例

只训练部分层

1
2
3
4
5
6
7
8
9
10
11
12
13
class RESNET_attention(nn.Module):
def __init__(self, model, pretrained):
super(RESNET_attetnion, self).__init__()
self.resnet = model(pretrained)
for p in self.parameters():
p.requires_grad = False
self.f = nn.Conv2d(2048, 512, 1)
self.g = nn.Conv2d(2048, 512, 1)
self.h = nn.Conv2d(2048, 2048, 1)
self.softmax = nn.Softmax(-1)
self.gamma = nn.Parameter(torch.FloatTensor([0.0]))
self.avgpool = nn.AvgPool2d(7, stride=1)
self.resnet.fc = nn.Linear(2048, 10)
  • 这样就将 for 循环以上的参数固定, 只训练下面的参数。
  • 注意需要在 optimizer 中添加上这样的一句话filter(lambda p: p.requires_grad, model.parameters()
1
optimizer = optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr=0.0001, betas=(0.9, 0.999), eps=1e-08, weight_decay=1e-5)

固定部分层参数

1
2
3
for k,v in model.named_parameters():
if k!='XXX':
v.requires_grad=False #固定参数

检查部分参数是否固定

1
2
3
for k,v in model.named_parameters():
if k!='xxx.weight' and k!='xxx.bias' :
print(v.requires_grad) #理想状态下,所有值都是False

查看可训练参数

1
2
3
for name, param in model.named_parameters():
if param.requires_grad:
print(name)

查看网络总参数

1
2
net = Model()
print('# Model parameters:', sum(param.numel() for param in net.parameters()))

不同层设置不同学习率

1
2
3
4
optim.SGD([
{'params': model.base.parameters()},
{params': model.classifier.parameters(),'lr':1e-3)],
lr=1e-2, momentum=0.9)

这意味着 model.base 的参数将使用 1e-2 的默认学习率,model.classifier 的参数将使用 1e-3 的学习率,所有参数将使用 0.9 的动量。

PyTorch更新部分网络,其他不更新

  • 假设有模型A和模型B,我们需要将A的输出作为B的输入,但训练时我们只训练模型B.那么可以这样做:
1
input_B = output_A.detach()
  • 它可以使两个计算图的梯度传递断开,从而实现我们所需的功能。

参考资料



文章链接:
https://www.zywvvd.com/notes/study/deep-learning/pytorch/pytorch-update-some-para/pytorch-update-some-para/


“觉得不错的话,给点打赏吧 ୧(๑•̀⌄•́๑)૭”

微信二维码

微信支付

支付宝二维码

支付宝支付

Pytorch 固定部分参数训练
https://www.zywvvd.com/notes/study/deep-learning/pytorch/pytorch-update-some-para/pytorch-update-some-para/
作者
Yiwei Zhang
发布于
2022年5月17日
许可协议