Question

以下问题不是How to apply layer-wise learning rate in Pytorch?的重复，因为该问题旨在冻结训练中的张量子集而不是整个层。

我正在尝试彩票假说的PyTorch实现。

为此，我想冻结模型中的权重为零。以下是实现它的正确方法吗？

for name, p in model.named_parameters():
            if 'weight' in name:
                tensor = p.data.cpu().numpy()
                grad_tensor = p.grad.data.cpu().numpy()
                grad_tensor = np.where(tensor == 0, 0, grad_tensor)
                p.grad.data = torch.from_numpy(grad_tensor).to(device)

Answer 1

只要您在loss.backward()之后和optimizer.step()之前完成此操作（指的是这些变量名的常用用法），您似乎可以使用。就是说，这似乎有些令人费解。另外，如果您的权重是浮点值，然后是comparing them to exactly zero is probably a bad idea，我们可以引入epsilon来解决这个问题。 IMO以下内容比您提出的解决方案还干净：

# locate zero-value weights before training loop
EPS = 1e-6
locked_masks = {n: torch.abs(w) < EPS for n, w in model.named_parameters() if n.endswith('weight')}

...

for ... #training loop

    ...

    optimizer.zero_grad()
    loss.backward()
    # zero the gradients of interest
    for n, w in model.named_parameters():                                                                                                                                                                           
        if w.grad is not None and n in locked_masks:                                                                                                                                                                                   
            w.grad[locked_masks[n]] = 0 
    optimizer.step()

冻结Pytorch中的单个权重

1 个答案: