来自文档:
requires_grad – 布尔值,指示变量是否已被 由包含任何需要它的变量的子图创建。能 仅在叶变量上更改
图的叶节点是那些不是直接从图中其他节点计算的节点(即
Variables
)。例如:
import torch
from torch.autograd import Variable
A = Variable(torch.randn(10,10)) # this is a leaf node
B = 2 * A # this is not a leaf node
w = Variable(torch.randn(10,10)) # this is a leaf node
C = A.mm(w) # this is not a leaf node
如果叶节点
requires_grad
,则从它计算出的所有后续节点也将自动require_grad
。否则,你无法应用链式法则来计算叶节点的梯度requires_grad
。这就是为什么 requires_grad
只能为叶节点设置的原因:对于所有其他节点,它可以被智能地推断出来,并且实际上是由用于计算这些其他变量的叶节点的设置决定的。 请注意,在典型的神经网络中,所有参数都是叶节点。它们不是根据网络中的任何其他
Variables
计算的。因此,使用 requires_grad
冻结图层很简单。这是来自 PyTorch 文档的示例:
model = torchvision.models.resnet18(pretrained=True)
for param in model.parameters():
param.requires_grad = False
# Replace the last fully-connected layer
# Parameters of newly constructed modules have requires_grad=True by default
model.fc = nn.Linear(512, 100)
# Optimize only the classifier
optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)
尽管如此,您真正要做的是冻结整个梯度计算(这是您应该做的,因为它可以避免不必要的计算)。从技术上讲,您可以保留
requires_grad
标志,只为您想要学习的参数子集定义优化器。