pytorch 實現凍結部分參數訓練另一部分

1)添加下面一句話到模型中

for p in self.parameters():
 p.requires_grad = False

比如加載瞭resnet預訓練模型之後,在resenet的基礎上連接瞭新的模快,resenet模塊那部分可以先暫時凍結不更新,隻更新其他部分的參數,那麼可以在下面加入上面那句話

class RESNET_MF(nn.Module):
 def __init__(self, model, pretrained):
  super(RESNET_MF, self).__init__()
  self.resnet = model(pretrained)
  for p in self.parameters():
   p.requires_grad = False #預訓練模型加載進來後全部設置為不更新參數,然後再後面加層
  self.f = SpectralNorm(nn.Conv2d(2048, 512, 1))
  self.g = SpectralNorm(nn.Conv2d(2048, 512, 1))
  self.h = SpectralNorm(nn.Conv2d(2048, 2048, 1))
  ...

同時在優化器中添加:

filter(lambda p: p.requires_grad, model.parameters())
optimizer = optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr=0.001, \
 betas=(0.9, 0.999), eps=1e-08, weight_decay=1e-5)

2) 參數保存在有序的字典中,那麼可以通過查找參數的名字對應的id值,進行凍結

查看每一層的代碼:

model_dict = torch.load('net.pth.tar').state_dict()
dict_name = list(model_dict)
for i, p in enumerate(dict_name):
 print(i, p)

打印一下這個文件,可以看到大致是這個樣子的:

0 gamma
1 resnet.conv1.weight
2 resnet.bn1.weight
3 resnet.bn1.bias
4 resnet.bn1.running_mean
5 resnet.bn1.running_var
6 resnet.layer1.0.conv1.weight
7 resnet.layer1.0.bn1.weight
8 resnet.layer1.0.bn1.bias
9 resnet.layer1.0.bn1.running_mean
....

同樣在模型中添加這樣的代碼:

for i,p in enumerate(net.parameters()):
 if i < 165:
  p.requires_grad = False

在優化器中添加上面的那句話可以實現參數的屏蔽

補充:pytorch 加載預訓練模型 + 斷點恢復 + 凍結訓練(避坑版本)

1、 預訓練模型網絡結構 = 你要加載模型的網絡結構

那麼直接 套用

path="你的 .pt文件路徑"
model = "你的網絡"
checkpoint = torch.load(path, map_location=device)
model.load_state_dict(checkpoint)

2、 預訓練模型網絡結構 與你的網絡結構不一致

當你直接套用上面公式,會出現類似unexpected key module.xxx.weight問題

這種情況下,需要具體分析一下網絡信息,再決定如何加載。

# model_dict 是一個字典,保存網絡 各層名稱和參數,
model_dict = model.state_dict()
print(model_dict.keys()
# 這裡打印出 網絡 各層名稱
checkpoint = torch.load(path,map_location=device)
for k, v in checkpoint.items():
 print("keys:".k)
# 這裡打印出 預訓練模型網絡 各層名稱, 是字典 【鍵】顯示的另一種方式。

然後,對比兩者網絡結構參數 的異同,

若各層網絡名稱 基本不一致,那這個預訓練模型基本就沒法用瞭,直接換模型吧

若兩者網絡參數有很多 類似的地方,但又不完全一致,那可以采取如下方式。

(1) 部分網絡關鍵字 —- 完全匹配的情況

model.load_state_dict(checkpoint, strict=True)

load_state_dict 函數添加 參數 strict=True, 它直接忽略那些沒有的dict,有相同的就復制,沒有就直接放棄賦值!他要求預訓練模型的關鍵字必須確切地嚴格地和 網絡的 state_dict() 函數返回的關鍵字相匹配才能賦值。

strict 也不是很智能,適用於那些 網絡關鍵字 基本能夠匹配的情況。否則即使加載成功,網絡參數也是空的。

(2)大部分網絡關鍵字 —- 部分匹配 (不完全相同,但類似),例如

網絡關鍵字: backbone.stage0.rbr_dense.conv.weight

預訓練模型 關鍵字:stage0.rbr_dense.conv.weight

可以看到,網絡關鍵字 比預訓練模型 多瞭一個前綴,其它完全一致,這種情況下,可以把 預訓練模型的 stage0.rbr_dense.conv.weight 讀入 網絡的 backbone.stage0.rbr_dense.conv.weight 中。

# 對於 字典而言,in 或 not in 運算符都是基於 key 來判斷的
model_dict = model.state_dict()
checkpoint = torch.load(path,map_location=device)
# k 是預訓練模型的一個關鍵字, ss是 網絡的有一個關鍵字
for k, v in checkpoint.items():
 flag = False
 for ss in model_dict.keys():
 if k in ss: # 在每一個元素內部匹配
 s = ss; flag = True; break
 else:
 continue
 if flag:
 checkpoint[k] = model_dict[s]

3、斷點恢復

我感覺這個和常規【模型保存加載】方法的區別主要是 epoch的恢復

# 模型保存
state = {
 'epoch': epoch,
 'state_dict': model.state_dict(),
 'optimizer': optimizer.state_dict(),
  ... # 有其他希望保存的內容,也可自定義
 }
 torch.save(state, filepath)
# 加載模型,恢復訓練
 model.load_state_dict(state['state_dict'])
 optimizer.load_state_dict(state['optimizer'])
 start_epoch = checkpoint['epoch'] + 1

4、凍結訓練

一般凍結訓練都是針對【backbone】來說的,較多應用於【遷移學習】

例如,0-49 Epoch:凍結 backbone進行訓練;50-99:不凍結訓練。

Init_Epoch = 0
Freeze_Epoch = 50
Unfreeze_Epoch =100
#------------------------------------#
# 凍結一定部分訓練
#------------------------------------# 
for param in model.backbone.parameters():
 param.requires_grad = False
for epoch in range(Init_Epoch,Freeze_Epoch): 
 # I`m Freeze-training !!
 pass
#------------------------------------#
# 解凍後訓練
#------------------------------------#
for param in model.backbone.parameters():
 param.requires_grad = True
for epoch in range(Freeze_Epoch,Unfreeze_Epoch):
 # I`m unfreeze-training !!
 pass 

以上為個人經驗,希望能給大傢一個參考,也希望大傢多多支持WalkonNet。如有錯誤或未考慮完全的地方,望不吝賜教。