当前位置：网站首页>Pytorch 固定部分参数训练

Pytorch 固定部分参数训练

2022-08-09 17:45:00 【为为为什么】

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. 将 tensor 的 requires_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. 在 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
Variable(torch.randn(5,5),requires_grad=True)

  • 也可以手动设置模型中的层
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：
optimizer.SGD (filter(lambda p:p.requires_grad,model.parameters()), lr=1e-3)

操作示例

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。
  • 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)

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

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

查看可训练参数

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

查看网络总参数

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

不同层设置不同学习率

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：
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

原网站

版权声明
本文为[为为为什么]所创，转载请带上原文链接，感谢
https://cloud.tencent.com/developer/article/2069018

边栏推荐

猜你喜欢

随机推荐