1）添加下面一句話到模型中
|
1
2
|
for p in self.parameters(): p.requires_grad = False |
比如加載了resnet預(yù)訓(xùn)練模型之后，在resenet的基礎(chǔ)上連接了新的模快，resenet模塊那部分可以先暫時(shí)凍結(jié)不更新，只更新其他部分的參數(shù)，那么可以在下面加入上面那句話
|
1
2
3
4
5
6
7
8
9
10
|
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(yù)訓(xùn)練模型加載進(jìn)來后全部設(shè)置為不更新參數(shù)，然后再后面加層 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(shí)在優(yōu)化器中添加：
|
1
|
filter(lambda p: p.requires_grad, model.parameters()) |
|
1
2
|
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(shù)保存在有序的字典中，那么可以通過查找參數(shù)的名字對應(yīng)的id值，進(jìn)行凍結(jié)
查看每一層的代碼:
|
1
2
3
4
|
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(gè)文件，可以看到大致是這個(gè)樣子的：
|
1
2
3
4
5
6
7
8
9
10
11
|
0 gamma1 resnet.conv1.weight2 resnet.bn1.weight3 resnet.bn1.bias4 resnet.bn1.running_mean5 resnet.bn1.running_var6 resnet.layer1.0.conv1.weight7 resnet.layer1.0.bn1.weight8 resnet.layer1.0.bn1.bias9 resnet.layer1.0.bn1.running_mean.... |
同樣在模型中添加這樣的代碼：
|
1
2
3
|
for i,p in enumerate(net.parameters()): if i < 165: p.requires_grad = False |
在優(yōu)化器中添加上面的那句話可以實(shí)現(xiàn)參數(shù)的屏蔽
補(bǔ)充：pytorch 加載預(yù)訓(xùn)練模型 + 斷點(diǎn)恢復(fù) + 凍結(jié)訓(xùn)練（避坑版本）
1、 預(yù)訓(xùn)練模型網(wǎng)絡(luò)結(jié)構(gòu) = 你要加載模型的網(wǎng)絡(luò)結(jié)構(gòu)
那么直接 套用
|
1
2
3
4
|
path="你的 .pt文件路徑"model = "你的網(wǎng)絡(luò)"checkpoint = torch.load(path, map_location=device)model.load_state_dict(checkpoint) |
2、 預(yù)訓(xùn)練模型網(wǎng)絡(luò)結(jié)構(gòu) 與你的網(wǎng)絡(luò)結(jié)構(gòu)不一致
當(dāng)你直接套用上面公式，會出現(xiàn)類似unexpected key module.xxx.weight問題
這種情況下，需要具體分析一下網(wǎng)絡(luò)信息，再決定如何加載。
|
1
2
3
4
|
# model_dict 是一個(gè)字典，保存網(wǎng)絡(luò) 各層名稱和參數(shù)，model_dict = model.state_dict()print(model_dict.keys()# 這里打印出 網(wǎng)絡(luò) 各層名稱 |
|
1
2
3
4
|
checkpoint = torch.load(path,map_location=device)for k, v in checkpoint.items(): print("keys:".k)# 這里打印出 預(yù)訓(xùn)練模型網(wǎng)絡(luò) 各層名稱, 是字典 【鍵】顯示的另一種方式。 |
然后，對比兩者網(wǎng)絡(luò)結(jié)構(gòu)參數(shù) 的異同，
若各層網(wǎng)絡(luò)名稱 基本不一致，那這個(gè)預(yù)訓(xùn)練模型基本就沒法用了，直接換模型吧
若兩者網(wǎng)絡(luò)參數(shù)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(wǎng)絡(luò)關(guān)鍵字 ---- 完全匹配的情況
|
1
|
model.load_state_dict(checkpoint, strict=True) |
load_state_dict 函數(shù)添加 參數(shù) strict=True， 它直接忽略那些沒有的dict，有相同的就復(fù)制，沒有就直接放棄賦值！他要求預(yù)訓(xùn)練模型的關(guān)鍵字必須確切地嚴(yán)格地和 網(wǎng)絡(luò)的 state_dict() 函數(shù)返回的關(guān)鍵字相匹配才能賦值。
strict 也不是很智能，適用于那些 網(wǎng)絡(luò)關(guān)鍵字 基本能夠匹配的情況。否則即使加載成功，網(wǎng)絡(luò)參數(shù)也是空的。
（2）大部分網(wǎng)絡(luò)關(guān)鍵字 ---- 部分匹配 （不完全相同，但類似），例如
網(wǎng)絡(luò)關(guān)鍵字： backbone.stage0.rbr_dense.conv.weight
預(yù)訓(xùn)練模型 關(guān)鍵字：stage0.rbr_dense.conv.weight
可以看到，網(wǎng)絡(luò)關(guān)鍵字 比預(yù)訓(xùn)練模型 多了一個(gè)前綴，其它完全一致，這種情況下，可以把 預(yù)訓(xùn)練模型的 stage0.rbr_dense.conv.weight 讀入 網(wǎng)絡(luò)的 backbone.stage0.rbr_dense.conv.weight 中。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
# 對于 字典而言，in 或 not in 運(yùn)算符都是基于 key 來判斷的model_dict = model.state_dict()checkpoint = torch.load(path,map_location=device)# k 是預(yù)訓(xùn)練模型的一個(gè)關(guān)鍵字， ss是 網(wǎng)絡(luò)的有一個(gè)關(guān)鍵字for k, v in checkpoint.items(): flag = False for ss in model_dict.keys(): if k in ss: # 在每一個(gè)元素內(nèi)部匹配 s = ss; flag = True; break else: continue if flag: checkpoint[k] = model_dict[s] |
3、斷點(diǎn)恢復(fù)
我感覺這個(gè)和常規(guī)【模型保存加載】方法的區(qū)別主要是 epoch的恢復(fù)
|
1
2
3
4
5
6
7
8
9
10
11
12
|
# 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(nèi)容，也可自定義 } torch.save(state, filepath)# 加載模型，恢復(fù)訓(xùn)練 model.load_state_dict(state['state_dict']) optimizer.load_state_dict(state['optimizer']) start_epoch = checkpoint['epoch'] + 1 |
4、凍結(jié)訓(xùn)練
一般凍結(jié)訓(xùn)練都是針對【backbone】來說的，較多應(yīng)用于【遷移學(xué)習(xí)】
例如，0-49 Epoch：凍結(jié) backbone進(jìn)行訓(xùn)練；50-99：不凍結(jié)訓(xùn)練。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
Init_Epoch = 0Freeze_Epoch = 50Unfreeze_Epoch =100#------------------------------------## 凍結(jié)一定部分訓(xùn)練#------------------------------------# for param in model.backbone.parameters(): param.requires_grad = Falsefor epoch in range(Init_Epoch,Freeze_Epoch): # I`m Freeze-training !! pass#------------------------------------## 解凍后訓(xùn)練#------------------------------------#for param in model.backbone.parameters(): param.requires_grad = Truefor epoch in range(Freeze_Epoch,Unfreeze_Epoch): # I`m unfreeze-training !! pass |
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持服務(wù)器之家。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教。
原文鏈接：https://blog.csdn.net/qq_21997625/article/details/90369838
