pytorch设置权重冻结

### 如何在PyTorch中设置模型权重冻结

为了防止某些层中的参数更新，在微调预训练网络或构建特定架构时非常有用。可以通过将这些层的`requires_grad`属性设为False来实现这一点。

对于ResNet18这样的卷积神经网络，如果只想调整全连接层而不改变其他部分，则可按照如下方式进行操作：

import torchvision.models as models
model = models.resnet18(pretrained=True)

for param in model.parameters():
    param.requires_grad = False  # Freeze all parameters
    
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, 10)  # Modify final fully connected layer only

if torch.cuda.is_available():
    model = model.to('cuda')

上述代码片段展示了如何遍历整个模型并禁用除最后一层外所有层的学习能力[^1]。通过这种方式，可以在保持原有特征提取器不变的情况下专注于优化分类头。

值得注意的是，当利用像PyTorch Lightning这样高级别的库时，仍然遵循相同的原则去控制哪些组件应该参与反向传播过程。不过具体实施细节可能会有所差异，因为这类框架通常提供更简洁易读的方式来进行配置[^2]。

另外需要注意的一点是在Django项目里部署经过如此处理过的PyTorch模型时，确保保存和加载过程中不会意外解冻任何本应固定的参数[^3]。