PyTorch冻结已训练网络参数

参数"/>

PyTorch冻结已训练网络参数

在训练多层神经网络中，我们发现由于网络参数过多，网络收敛的条件有点苛刻。因此，分层训练的方式在日常生活中常常被用到。所谓的分层训练，顾名思义，即多层网络中，我们先训练好第一层网络，固定其参数，去训练第二层网络，当第二层网络训练完毕，就固定前两层参数，去训练第三层网络，以此类推。下面展现代码的实现方式。

# 网络模型
class Test(torch.nn.Module):def __init__(self,): super(TwISTA, self).__init__()…………………def forward(self, y, max_itr):…………………network = Test()   

• 首先，搭建一层神经网络将其参数调到最优，并把网络参数保存下来。

torch.save(network.state_dict(), '/home/data_ssd/Test.pth')  # 保存到指定目录：/home/data_ssd/，文件名称格式：Test.pth

• 其次，搭建下一层网络，调通、运行代码。用以下代码查看网络模型名称。

model_dict = network.state_dict()
for k, v in model_dict.items():  # 查看自己网络参数各层名称、数值print(k)  # 输出网络参数名字# print(v)  # 输出网络参数数值

运行结果：

fcs.0.thr
fcs.0.beta
fcs.0.Tw_alpha
fcs.0._W.weight
fcs.0._S.weight
fcs.1.thr
fcs.1.beta
fcs.1.Tw_alpha
fcs.1._W.weight
fcs.1._S.weight

我们可以看到，以“fcs.0”开头的参数是第一层网络，以“fcs.1”开头的参数是第二层网络。

• 加载第一层已训练好的参数，关闭梯度。

pretrained_dict = torch.load('/home/data_ssd/Test.pth')  # 到相应目录加载刚刚保存的文件（网络参数）
model_dict['fcs.0.thr'] = pretrained_dict['fcs.0.thr']
model_dict['fcs.0.beta'] = pretrained_dict['fcs.0.beta']
model_dict['fcs.0.Tw_alpha'] = pretrained_dict['fcs.0.Tw_alpha']
model_dict['fcs.0._W.weight'] = pretrained_dict['fcs.0._W.weight']
model_dict['fcs.0._S.weight'] = pretrained_dict['fcs.0._S.weight']
# 第一层网络fcs.0不再参与训练，关闭梯度
for name, param in network.named_parameters():# print(name)if "fcs.0" in name:param.requires_grad = False# 查看是否关闭成功
for name, param in network.named_parameters():if param.requires_grad:print("requires_grad: True ", name)else:print("requires_grad: False ", name)

运行结果：

requires_grad: False  fcs.0.thr
requires_grad: False  fcs.0.beta
requires_grad: False  fcs.0.Tw_alpha
requires_grad: False  fcs.0._W.weight
requires_grad: False  fcs.0._S.weight
requires_grad: True  fcs.1.thr
requires_grad: True  fcs.1.beta
requires_grad: True  fcs.1.Tw_alpha
requires_grad: True  fcs.1._W.weight
requires_grad: True  fcs.1._S.weight

从结果中可以看出，以“fcs.0”开头的参数（即第一层网络参数）均已关闭梯度。

• 最后，在优化器中屏蔽掉第一层网络参数不再参与训练，仅仅训练新添加的网络参数。

opt = torch.optim.Adam(filter(lambda p: p.requires_grad, network.parameters()), lr=adam_lr)  # 过滤掉没有梯度的参数

以此类推，分别优化多层网络