为保护某些权重不被 MxNet 中的培训师更改,推荐的操作是什么?
What is the recommended operation to protect some weights from being changed by the trainer in MxNet?
在 MxNet 中保护一些权重不被训练者更改的推荐操作是什么?
据我所知,如果我想保护 TenserFlow 中的一些权重,我应该阻止它们被传递给优化器。因此,我在 MxNet 中使用以下代码执行相同操作。
all_params = net.collect_params()
while True:
firstKey = next(iter(all_params._params))
if 'resnet' not in firstKey:
break
all_params._params.popitem(last = False)
trainer = mx.gluon.Trainer(all_params,'sgd')
变量 all_params._params
属于罕见类型 OrderedDict
。我认为这意味着这本词典中的顺序非常重要。我不应该改变顺序。如上所示,我只能从网络的开头去掉一些参数。很不方便。 “params”开头有一个“下划线_”,表示一般用户不应该收费。
我没有收到任何错误,但我怀疑这不是推荐的操作。
据我了解,您想冻结某些层(因此它们的参数在训练期间保持不变)并且您使用的是 Gluon。
在这种情况下,您可以将 grad_req
属性设置为 'null'
(它是一个字符串)以防止更改此参数。这是例子。我定义了一组我想冻结的参数名称,并在创建我的模型之后但在初始化之前冻结它们。
num_hidden = 10
net = gluon.nn.Sequential()
with net.name_scope():
net.add(gluon.nn.Dense(num_hidden, activation="relu"))
net.add(gluon.nn.Dense(num_hidden, activation="relu"))
net.add(gluon.nn.Dense(num_outputs))
layers_to_freeze = set(['sequential1_dense0_weight', 'sequential1_dense0_bias', 'sequential1_dense1_weight', 'sequential1_dense1_bias'])
for p in net.collect_params().items():
if p[0] in layers_to_freeze:
p[1].grad_req = 'null'
net.collect_params().initialize(mx.init.Xavier(magnitude=2.24), ctx=ctx)
如果您 运行 训练,这些参数不应改变。您可以通过在循环中打印 p[0]
来查找参数名称。
在 MxNet 中保护一些权重不被训练者更改的推荐操作是什么?
据我所知,如果我想保护 TenserFlow 中的一些权重,我应该阻止它们被传递给优化器。因此,我在 MxNet 中使用以下代码执行相同操作。
all_params = net.collect_params()
while True:
firstKey = next(iter(all_params._params))
if 'resnet' not in firstKey:
break
all_params._params.popitem(last = False)
trainer = mx.gluon.Trainer(all_params,'sgd')
变量 all_params._params
属于罕见类型 OrderedDict
。我认为这意味着这本词典中的顺序非常重要。我不应该改变顺序。如上所示,我只能从网络的开头去掉一些参数。很不方便。 “params”开头有一个“下划线_”,表示一般用户不应该收费。
我没有收到任何错误,但我怀疑这不是推荐的操作。
据我了解,您想冻结某些层(因此它们的参数在训练期间保持不变)并且您使用的是 Gluon。
在这种情况下,您可以将 grad_req
属性设置为 'null'
(它是一个字符串)以防止更改此参数。这是例子。我定义了一组我想冻结的参数名称,并在创建我的模型之后但在初始化之前冻结它们。
num_hidden = 10
net = gluon.nn.Sequential()
with net.name_scope():
net.add(gluon.nn.Dense(num_hidden, activation="relu"))
net.add(gluon.nn.Dense(num_hidden, activation="relu"))
net.add(gluon.nn.Dense(num_outputs))
layers_to_freeze = set(['sequential1_dense0_weight', 'sequential1_dense0_bias', 'sequential1_dense1_weight', 'sequential1_dense1_bias'])
for p in net.collect_params().items():
if p[0] in layers_to_freeze:
p[1].grad_req = 'null'
net.collect_params().initialize(mx.init.Xavier(magnitude=2.24), ctx=ctx)
如果您 运行 训练,这些参数不应改变。您可以通过在循环中打印 p[0]
来查找参数名称。