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
