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:
1
2
3
4
5
6
7
8
9
|
class Model(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 )
def forward( self , x):
pass
|
假如我们想要冻结linear1层,需要做如下操作:
1
2
3
4
5
6
|
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
for para in model.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。
1
|
optimizer = optim.Adam( filter ( lambda p: 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服务器之家。
原文链接:https://blog.csdn.net/qq_40210586/article/details/103878155