pytorch如何冻结某层参数的实现
在迁移学习finetune时我们通常需要冻结前几层的参数不参与训练，在Pytorch中的实现如下：
classModel(nn.Module): def__init__(self): super(Transfer_model,self).__init__() self.linear1=nn.Linear(20,50) self.linear2=nn.Linear(50,20) self.linear3=nn.Linear(20,2) defforward(self,x): pass
假如我们想要冻结linear1层，需要做如下操作：
model=Model() #这里是一般情况，共享层往往不止一层，所以做一个for循环 forparainmodel.linear1.parameters(): para.requires_grad=False #假如真的只有一层也可以这样操作： #model.linear1.weight.requires_grad=False
最后我们需要将需要优化的参数传入优化器，不需要传入的参数过滤掉，所以要用到filter()函数。
optimizer=optim.Adam(filter(lambdap:p.requires_grad,model.parameters()),lr=0.1)
其它的博客中都没有讲解filter()函数的作用，在这里我简单讲一下有助于更好的理解。
filter(function,iterable)
- function:判断函数
- iterable:可迭代对象
filter()函数用于过滤序列，过滤掉不符合条件的元素，返回一个迭代器对象，如果要转换为列表，可以使用list()来转换。
该接收两个参数，第一个为函数，第二个为序列，序列的每个元素作为参数传递给函数进行判，然后返回True或False，最后将返回True的元素放到新列表中。
filter()函数将requires_grad=True的参数传入优化器进行反向传播，requires_grad=False的则被过滤掉。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。