finetune分為全局finetune和局部finetune。首先介紹一下局部finetune步驟：

1.固定參數

  for name, child in model.named_children():    for param in child.parameters():      param.requires_grad = False

后，只傳入 需要反傳的參數，否則會報錯

filter(lambda param: param.requires_grad, model.parameters())

2.調低學習率，加快衰減

finetune是在預訓練模型上進行微調，學習速率不能太大。

目前不清楚：學習速率降低的幅度可以更快一些。這樣以來，在使用step的策略時，stepsize可以更小一些。

直接從原始數據訓練的base_lr一般為0.01，微調要比0.01小,置為0.001

要比直接訓練的小一些，直接訓練的stepsize為100000，finetune的stepsize: 50000

3. 固定bn或取消dropout：

batchnorm會影響訓練的效果，隨著每個batch，追蹤樣本的均值和方差。對于固定的網絡，bn應該使用全局的數值

def freeze_bn(self):  for layer in self.modules():    if isinstance(layer, nn.BatchNorm2d):      layer.eval()

訓練時，model.train()會修改模式，freeze_zn()應該在這里后面

4.過濾參數

訓練時，對于優化器，應該只傳入需要改變的參數，否則會報錯

filter(lambda p: p.requires_grad, model.parameters())

以上這篇Pytorch之finetune使用詳解就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持武林站長站。