1. 只训练部分层
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。但是注意需要在optimizer中添加上这样的一句话filter(lambda p: p.requires_grad, model.parameters()。
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)
2. 固定部分层参数
for k,v in model.named_parameters():
if k!='XXX':
v.requires_grad=False#固定参数
3.检查部分参数是否固定
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
4.查看可训练参数
for name, param in model.named_parameters():
if param.requires_grad:
print(name)
5.查看网络总参数
net = Model()
print('# Model parameters:', sum(param.numel() for param in net.parameters()))
6. 不同层设置不同学习率
7. PyTorch更新部分网络，其他不更新
