PyTorch中使用预训练的模型初始化网络的一部分参数

在预训练网络的基础上，修改部分层得到自己的网络，通常我们需要解决的问题包括：
1. 从预训练的模型加载参数
2. 对新网络两部分设置不同的学习率，主要训练自己添加的层
一. 加载参数的方法：
加载参数可以参考apaszke推荐的做法，即删除与当前model不匹配的key。代码片段为：

model = ...
model_dict = model.state_dict()

# 1. filter out unnecessary keys
pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict}
# 2. overwrite entries in the existing state dict
model_dict.update(pretrained_dict)
# 3. load the new state dict
model.load_state_dict(model_dict)

二. 不同层设置不同学习率的方法
此部分主要参考PyTorch教程的Autograd machnics部分
2.1 在PyTorch中，每个Variable数据含有两个flag（requires_grad和volatile）用于指示是否计算此Variable的梯度。设置requires_grad = False，或者设置volatile=True，即可指示不计算此Variable的梯度：

for param in model.parameters():
    param.requires_grad = False

注意，在模型测试时，对input_data设置volatile=True，可以节省测试时的显存
2.2 PyTorch的Module.modules()和Module.children()
参考PyTorch document和discuss
在PyTorch中，所有的neural network module都是class torch.nn.Module的子类，在Modules中可以包含其它的Modules，以一种树状结构进行嵌套。当需要返回神经网络中的各个模块时，Module.modules()方法返回网络中所有模块的一个iterator，而Module.children()方法返回所有直接子模块的一个iterator。具体而言：

list(nn.Sequential(nn.Linear(10, 20), nn.ReLU()).modules())
Out[9]:
[Sequential (
   (0): Linear (10 -> 20)
   (1): ReLU ()
 ), Linear (10 -> 20), ReLU ()]

In [10]: list(nn.Sequential(nn.Linear(10, 20), nn.ReLU()).children())
Out[10]: [Linear (10 -> 20), ReLU ()]

2.3 选择特定的层进行finetune
先使用Module.children()方法查看网络的直接子模块，将不需要调整的模块中的参数设置为param.requires_grad = False，同时用一个list收集需要调整的模块中的参数。具体代码为：

count = 0
    para_optim = []
    for k in model.children():
        count += 1
        # 6 should be changed properly
        if count > 6:
            for param in k.parameters():
                para_optim.append(param)
        else:
            for param in k.parameters():
                param.requires_grad = False
optimizer = optim.RMSprop(para_optim, lr)

到此我们实现了PyTorch中使用预训练的模型初始化网络的一部分参数，参考代码见我的GitHub：

PyTorch中使用预训练的模型初始化网络的一部分参数

猜你喜欢