pytorch载入预训练模型后,实现训练指定层
1、有了已经训练好的模型参数，对这个模型的某些层做了改变，如何利用这些训练好的模型参数继续训练：
pretrained_params = torch.load('Pretrained_Model'）
model = The_New_Model(xxx)
model.load_state_dict(pretrained_params.state_dict(), strict=False)
strict=False 使得预训练模型参数中和新模型对应上的参数会被载入，对应不上或没有的参数被抛弃。
2、如果载入的这些参数中，有些参数不要求被更新，即固定不变，不参与训练，需要手动设置这些参数的梯度属性为Fasle，并且在optimizer传参时筛选掉这些参数：
# 载入预训练模型参数后...
for name, value in model.named_parameters():
if name 满足某些条件:
value.requires_grad = False
# setup optimizer
params = filter(lambda p: p.requires_grad, model.parameters())
optimizer = torch.optim.Adam(params, lr=1e-4)
将满足条件的参数的 requires_grad 属性设置为False， 同时 filter 函数将模型中属性 requires_grad = True 的参数帅选出来，传到优化器（以Adam为例）中，只有这些参数会被求导数和更新。
3、如果载入的这些参数中，所有参数都更新，但要求一些参数和另一些参数的更新速度（学习率learning rate）不一样，最好知道这些参数的名称都有什么：
# 载入预训练模型参数后... for name, value in model.named_parameters(): print(name) # 或 print(model.state_dict().keys())
假设该模型中有encoder，viewer和decoder两部分，参数名称分别是：
'encoder.visual_emb.0.weight', 'encoder.visual_emb.0.bias', 'viewer.bd.Wsi', 'viewer.bd.bias', 'decoder.core.layer_0.weight_ih', 'decoder.core.layer_0.weight_hh',
假设要求encode、viewer的学习率为1e-6， decoder的学习率为1e-4，那么在将参数传入优化器时：
ignored_params = list(map(id, model.decoder.parameters()))
base_params = filter(lambda p: id(p) not in ignored_params, model.parameters())
optimizer = torch.optim.Adam([{'params':base_params,'lr':1e-6},
{'params':model.decoder.parameters()}
],
lr=1e-4, momentum=0.9)
代码的结果是除decoder参数的learning_rate=1e-4 外，其他参数的额learning_rate=1e-6。
在传入optimizer时，和一般的传参方法torch.optim.Adam(model.parameters(), lr=xxx) 不同，参数部分用了一个list， list的每个元素有params和lr两个键值。如果没有 lr则应用Adam的lr属性。Adam的属性除了lr， 其他都是参数所共有的(比如momentum)。
以上这篇pytorch载入预训练模型后,实现训练指定层就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
参考：
相关文章
这篇文章主要为大家详细介绍了python实现大文本文件分割成多个小文件，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2021-04-04
python Flask实现restful api service
本篇文章主要介绍了python Flask实现restful api service，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧2017-12-12
今天小编就为大家分享一篇python 实现将Numpy数组保存为图像，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-01-01
Python提供了多个强大的库,如Folium、Matplotlib、Geopandas等,使得创建漂亮而具有信息量的地图变得简单而灵活,本文将详细介绍如何使用这些库绘制漂亮的地图,感兴趣的可以了解下2023-12-12
这篇文章主要介绍了python实现动态规划背包问题,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下2020-12-12
这篇文章主要介绍了hmac模块生成加入了密钥的消息摘要详解，具有一定借鉴价值,需要的朋友可以参考下2018-01-01
平常工作中可能遇到python虚拟环境迁移的场景,总结了如下几个方法,下面这篇文章主要给大家介绍了关于打包迁移Python env环境的三种方法,需要的朋友可以参考下2024-08-08
这篇文章主要介绍了在Python中使用Neo4j数据库的教程,Neo4j是一个具有一定人气的非关系型的数据库,需要的朋友可以参考下2015-04-04
下面小编就为大家带来一篇Python之自动获取公网IP的实例讲解。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧2017-10-10
浅谈python中的__init__、__new__和__call__方法
这篇文章主要给大家介绍了关于python中__init__、__new__和__call__方法的相关资料，文中通过示例代码介绍的非常详细，对大家具有一定的参考学习价值，需要的朋友可以参考学习，下面来跟着小编一起看看吧。2017-07-07
最新评论