如何连接 2 个 pytorch 模型并使第一个模型在 PyTorch 中不可训练

Question

我有两个网络，我需要为完整的 model 连接它们。 然而，我的第一个 model 是经过预训练的，我需要在训练完整的 model 时使其不可训练。 如何在 PyTorch 中实现这一点。

我可以使用这个答案连接两个模型

class MyModelA(nn.Module):
    def __init__(self):
        super(MyModelA, self).__init__()
        self.fc1 = nn.Linear(10, 2)
        
    def forward(self, x):
        x = self.fc1(x)
        return x
    

class MyModelB(nn.Module):
    def __init__(self):
        super(MyModelB, self).__init__()
        self.fc1 = nn.Linear(20, 2)
        
    def forward(self, x):
        x = self.fc1(x)
        return x


class MyEnsemble(nn.Module):
    def __init__(self, modelA, modelB):
        super(MyEnsemble, self).__init__()
        self.modelA = modelA
        self.modelB = modelB
        
    def forward(self, x):
        x1 = self.modelA(x)
        x2 = self.modelB(x1)
        return x2

# Create models and load state_dicts    
modelA = MyModelA()
modelB = MyModelB()
# Load state dicts
modelA.load_state_dict(torch.load(PATH))

model = MyEnsemble(modelA, modelB)
x = torch.randn(1, 10)
output = model(x)

基本上在这里，我想加载预训练的模型 A 并在训练 Ensemble modelA时使其不可训练。

Answer 1

您可以通过将requires_grad设置为 false 来冻结您不想训练的 model 的所有参数。 像这样：

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

这应该适合你。

另一种方法是在你的火车循环中处理这个：

modelA = MyModelA()
modelB = MyModelB()

criterionB = nn.MSELoss()
optimizerB = torch.optim.Adam(modelB.parameters(), lr=0.001)

for epoch in range(epochs):
    for samples, targets in dataloader:
        optimizerB.zero_grad()

        x = modelA.train()(samples)
        predictions = modelB.train()(samples)
    
        loss = criterionB(predictions, targets)
        loss.backward()
        optimizerB.step()

因此，您将模型A 的 output 传递给模型B，但您只优化模型B。

Answer 2

一种简单的方法是detach您不想更新的 model 的 output 张量，它不会将梯度反向传播到连接的 model。 在您的情况下，您可以在与MyEnsemble model 的前向modelB中的x1连接之前简单地detach x2张量，以保持模型 B 的权重不变。

因此，新的前向 function 应该如下所示：

def forward(self, x1, x2):
        x1 = self.modelA(x1)
        x2 = self.modelB(x2)
        x = torch.cat((x1, x2.detach()), dim=1)  # Detaching x2, so modelB wont be updated
        x = self.classifier(F.relu(x))
        return x