不更新权重的反向传播（DCGAN）

Question

基本的想法是，我加载一个经过训练的模型 (DCGAN) 并用它对图像进行异常检测。对于异常检测，我必须在测试阶段进行一些迭代来评估它是否是异常。

为此，我在测试设置中有两个损失函数，它们应该计算生成器输入的反向传播和更新潜在向量。但是它只应该更新潜在向量，而不是图上的权重。

这可能吗？

可能，如果我只使用我的潜在向量的 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 --> Pytorch

Answer 1

是的，您的方向是正确的。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的所有叶节点）。我不熟悉 DCGAN，但我假设潜在向量也是一个可训练的参数（否则反向传播更新对我来说意义不大）。

以下改编自 PyTorch 文档的代码片段可能对您有用：

# 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)

不更新权重的反向传播（DCGAN）

Backpropagation without updating weights (DCGAN)

python

deep-learning

pytorch

dcgan