finetune分为全局finetune和局部finetune。首先介绍一下局部finetune步骤:
1.固定参数
1
2
3
|
for name, child in model.named_children():
for param in child.parameters():
param.requires_grad = False
|
后,只传入 需要反传的参数,否则会报错
1
|
filter ( lambda param: param.requires_grad, model.parameters())
|
2.调低学习率,加快衰减
finetune是在预训练模型上进行微调,学习速率不能太大。
目前不清楚:学习速率降低的幅度可以更快一些。这样以来,在使用step的策略时,stepsize可以更小一些。
直接从原始数据训练的base_lr一般为0.01,微调要比0.01小,置为0.001
要比直接训练的小一些,直接训练的stepsize为100000,finetune的stepsize: 50000
3. 固定bn或取消dropout:
batchnorm会影响训练的效果,随着每个batch,追踪样本的均值和方差。对于固定的网络,bn应该使用全局的数值
1
2
3
4
|
def freeze_bn( self ):
for layer in self .modules():
if isinstance (layer, nn.BatchNorm2d):
layer. eval ()
|
训练时,model.train()会修改模式,freeze_zn()应该在这里后面
4.过滤参数
训练时,对于优化器,应该只传入需要改变的参数,否则会报错
1
|
filter ( lambda p: p.requires_grad, model.parameters())
|
以上这篇Pytorch之finetune使用详解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服务器之家。
原文链接:https://blog.csdn.net/lsupermary/article/details/91047651