pytorch加载之前训练模型中的部分参数以及冻结部分参数（实测，自己实际项目代码中的）

我的需求是，由于我在不停的尝试各种模型，导致模型木块一直会变。如果每次重复重新开始训练要花费大把时间。

我之前运行的模型 ResNet ->                                      三个ResNet参数共享。

                              ResNet ->           中间模块 -> 结果

                              ResNet ->

现在我要改成        ResNet 1->                                       三个ResNet不参数共享来重新训练，我想导入之前模型中间模块的参数，

                              ResNet 2->           中间模块 -> 结果    

                              ResNet 3->

并且冻结中间模块的参数使训练速度加快。

参考了两位大神的两篇博文：加载部分参数https://blog.csdn.net/weixin_41519463/article/details/101604662，冻结部分参数https://blog.csdn.net/jdzwanghao/article/details/83239111。

具体代码如下：

net = MY_Net( )
######导入部分参数
	model_dict = net.state_dict()
	for k, v in model_dict.items():
		print(k)

	pretrained_dict = torch.load(model_file1)#model_file1是之前模型的模型保存路径，这里只是加载参数而已
	for k, v in pretrained_dict.items():
		print(k)
	pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}

	model_dict.update(pretrained_dict)  # 用预训练模型参数更新new_model中的部分参数

	net.load_state_dict(model_dict)  # 将更新后的model_dict加载进new model中


##### 冻结部分参数
	for param in net.parameters():
		param.requires_grad = False#设置所有参数不可导，下面选择设置可导的参数
	for param in net.ResNet1.parameters():
		param.requires_grad = True
	for param in net.ResNet2.parameters():
		param.requires_grad = True
	for param in net.ResNet3.parameters():
		param.requires_grad = True

optimizer = optim.SGD(filter(lambda p: p.requires_grad, net.parameters()), lr = 0.0001, momentum=0.90,weight_decay=0.0005)#关键是优化器中通filter来过滤掉那些不可导的参数