0、摘要

在深度学习中我们经常会使用到预训练进行微调，提高模型的泛化能力，加快收敛速度，节约训练时间。

一般来讲，预训练多种方式，常见的有对预训练层设置更小的学习率，或者固定预训练层，不进行权重更新，这里讨论的是后一种。

1、固定层训练

现在假设有模型：

class Net(nn.Module):def __init__(self):super(Net, self).__init__()self.layer1=conv_base  # conv_base是由conv、BN等组成的卷积基self.fc1=nn.Linear(512,100)   # 分类器self.fc2=nn.Linear(100, 10)   # 分类器def forward(self,x):feat=self.layers(x)out=self.fc1(feat)out=self.fc2(out)return out

其中layer1是预训练的特征提取，而fc1和fc2是我们需要训练的，所以我们希望固定layer1的参数，仅训练fc1和fc2的参数，实现的方法有两种（本质是一样的）：

• 对固定的参数设定requires_grad=True

# 首先将固定层layer1的requires_grad属性置False
for name, p in model.layer1.named_parameters():   # 固定feat权重p.requires_grad = False# 在优化器中过滤到这些requires_grad参数
para=filter(lambda x:x.requires_grad is not False,model.parameters())
optimizer = torch.optim.SGD(para, lr=0.1)

• 直接在优化器中仅指定要更新的参数

para=[{"params":model.fc1.parameters()},{"params":model.fc2.parameters()}]
optimizer = torch.optim.SGD(para, lr=0.1)

以上两种方式，通过优化器指定仅更新参数的方法，训练特定参数。

2、问题

通过以上方式训练后，layer1的参数是不变的，仅fc1和fc2的参数变化，可是当我用layer1的参数在数据集上验证时，发现指标变化了，如果layer1的参数是不变的，指标也应该和训练之前一样。

实际上问题在于train()和eval()模式上，我们知道BatchNorm是需要根据数据集样本的均值和方差进行运算的，在训练是BatchNorm会计算本次数据集样本的均值和方差进行运算，同时会保存本次均值和方差。验证和测试时会数据量比较小（极端为1张），此时的均值和方差就用训练时保存的均值和方差计算。

所以虽然我们固定了layer1参数训练，但是处于model.train()模式下的layer1，其包含的BatchNorm中的参数是变化的，当我们再次用layer1在数据集上测试时使用的就是更新后的mean和std了，造成指标发生了变化。

综上就是，虽然layer1非BatchNorm层的参数（比如conv等）没有变化，但是BatchNorm的参数变化了。

解决办法也很简单：

# 训练时：先将模型全设为train模型，再将固定曾layer1设为eval模式，这样保证了参数不更新，且BatchNorm层参数也不更新
model.train()
model.layer1.eval()# 测试时：
model.eval()