Question

基本思想是，我加载训练有素的模型（DCGAN）并在图像上对其进行异常检测。对于异常检测，我必须在测试阶段进行一些迭代来评估它，如果它是异常的话。

为此，我在测试设置中有两个Loss-Function，它应该计算生成器输入的反向传播，更新潜在的矢量。但它只应更新潜在的向量，而不是图表上的权重。

这可能吗？

可能，如果我只使用潜在向量的pytorch变量并将生成器的变量输出设置为 "requires_grad=False" 就像在文档中一样 - ＆gt; Pytorch

Answer 1

是的，你在那里走上正轨。您可以单独设置模型参数的requires_grad属性（更准确地说是计算图中所有叶节点的属性）。我不熟悉DCGAN，但我认为潜在的向量也是一个可训练的参数（否则反向传播更新对我来说没什么意义）。

以下从PyTorch文档改编的代码段可能对您有用：

# Load your model
model = torchvision.models.resnet18(pretrained=True)

# Disable gradient computation for all parameters
for param in model.parameters():
    param.requires_grad = False

# Enable gradient computation for a specific layer (here the last fc layer)
for param in model.fc.parameters():
    param.requires_grad = True

# Optimize only the the desired parameters (for you latent vectors)
optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)

无需更新权重的反向传播（DCGAN）

1 个答案: