PyTorch层冻结技巧:设置requires_grad方法
2026-05-12 20:00:45
0浏览
收藏
本文深入解析了PyTorch中层冻结的核心原理与实战要点,强调冻结的本质是显式将参数(如weight、bias)的`requires_grad`设为`False`,而非对模块整体赋值或依赖`model.eval()`;文章系统揭示了常见误区(如漏冻bias、误用`model.layer.requires_grad = False`)、正确操作流程(遍历参数、冻结后重建优化器、验证冻结状态)、特殊处理(BatchNorm的running_stats、局部解冻的注意事项),并厘清了`requires_grad=False`与`torch.no_grad()`在作用域和持久性上的根本区别——真正可靠的冻结必须作用于参数本身,才能彻底切断梯度流、避免意外更新,是迁移学习、高效微调和显存优化不可或缺的底层技能。

冻结某一层的 requires_grad 为 False 后,参数真的不更新了吗
是的,但前提是这层的所有参数都手动设了 requires_grad = False,且没在后续代码中被意外重置。PyTorch 不会自动递归冻结子模块,model.layer1.requires_grad = False 这种写法无效——requires_grad 是参数(nn.Parameter)的属性,不是模块(nn.Module)的属性。
常见错误现象:optimizer.step() 后发现本该冻结的层权重仍在微小变动,往往是因为只冻结了部分参数(比如漏了 bias),或用了 model.eval() 误以为等价于冻结。
- 正确做法:遍历该层所有
nn.Parameter,逐个设置param.requires_grad = False - 冻结后建议调用
torch.no_grad()上下文做前向推理,避免缓存梯度(虽不必要,但更稳妥) - 冻结操作必须在
optimizer初始化之前完成,否则优化器仍会为这些参数分配状态(如 Adam 的exp_avg),浪费显存
如何批量冻结 backbone(比如 ResNet 的前几层)
典型场景是迁移学习:保留预训练 backbone 特征提取能力,只训练 head。不能只写 model.backbone.requires_grad = False,而要深入到参数层级。
实操建议:
- 用
for name, param in model.backbone.named_parameters():遍历,配合name.startswith('layer1')或索引条件判断是否冻结 - 冻结后可验证:
any(p.requires_grad for p in model.backbone.parameters())应返回False - 注意
BatchNorm2d层:默认训练时更新running_mean/running_var,即使weight/bias.requires_grad=False;若想彻底“静默”,需额外调用model.backbone.eval(),或单独设bn.track_running_stats = False
冻结后想局部解冻某几个参数怎么办
可以,但必须显式重设 requires_grad = True,且需重新初始化优化器(否则优化器状态不匹配)。常见于对特定卷积核做 fine-tuning。
容易踩的坑:
- 解冻后忘记把对应参数加回
optimizer.param_groups——optimizer不会自动感知新启用的参数 - 直接修改
param.requires_grad后立即loss.backward(),可能触发RuntimeError: element 0 of tensors does not require grad,因为计算图里某些中间变量已按旧图构建 - 推荐做法:解冻 → 重建
optimizer(传入所有requires_grad=True的参数),再继续训练
冻结 vs. torch.no_grad():别混淆作用域和持久性
torch.no_grad() 是临时上下文管理器,只影响当前前向过程的梯度计算;而 requires_grad = False 是参数本身的持久状态,决定它是否参与反向传播和优化器更新。
二者常一起用,但目的不同:
- 推理时:用
torch.no_grad()+model.eval(),无需改requires_grad - 微调时:用
requires_grad = False冻结参数,训练时仍需model.train()(尤其对 Dropout/BatchNorm) - 混合使用示例:
with torch.no_grad(): feat = model.backbone(x)可避免缓存 backbone 梯度,但前提是 backbone 参数本身已冻结,否则torch.no_grad()只是省显存,不阻止优化器更新
真正关键的是:冻结必须落在参数对象上,而不是靠上下文“假装”不计算——后者一出作用域就失效,前者才真正切断梯度流。
文中关于的知识介绍,希望对你的学习有所帮助!若是受益匪浅,那就动动鼠标收藏这篇《PyTorch层冻结技巧:设置requires_grad方法》文章吧,也可关注golang学习网公众号了解相关技术文章。
法语中“de”的多种用法解析
- 上一篇
- 法语中“de”的多种用法解析
- 下一篇
- JavaScript日期计算指南:告别混乱Date对象【教程】
查看更多
最新文章
-
- 文章 · python教程 | 1天前 | 线程池 · Python 线程池 concurrent.futures 任务取消 Future.cancel
- Python concurrent.futures.Future.cancel 怎样判断任务能否取消
- 143浏览 收藏
-
- 文章 · python教程 | 1天前 | 标准库 · HTTP服务 · 多线程 · Python教程 · Python 并发请求 http.server ThreadingHTTPServer ThreadingMixIn BaseHTTPRequestHandler
- Python http.server ThreadingHTTPServer 怎样处理并发请求
- 481浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python tarfile.TarInfo.replace 怎样复制归档成员属性
- 308浏览 收藏
-
- 文章 · python教程 | 1天前 | 并发编程 · Python教程 · Python 多进程 multiprocessing forkserver 启动上下文
- Python multiprocessing forkserver 怎样处理进程启动上下文
- 232浏览 收藏
-
- 文章 · python教程 | 1天前 | 标准库 · 异步编程 · Python教程 · Python asyncio StreamReader readexactly IncompleteReadError 异步流
- Python asyncio.StreamReader.readexactly 怎样处理不足长度的输入
- 427浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python operator.length_hint 怎样为未知长度迭代器设置估计值
- 336浏览 收藏
-
- 文章 · python教程 | 1天前 | 标准库 · Python教程 · Python warnings catch_warnings simplefilter filterwarnings 警告过滤
- Python warnings context manager 怎样临时调整警告过滤
- 255浏览 收藏
-
- 文章 · python教程 | 1天前 | 调试 · python · 异步编程 · Python asyncio introspection current_task all_tasks
- Python asyncio introspection 怎样定位当前任务
- 120浏览 收藏
-
- 文章 · python教程 | 1天前 | 标准库 · Python教程 · Python 类型注解 Python 3.14 annotationlib get_annotations ForwardRef 延迟注解
- Python 3.14 annotationlib.get_annotations 怎样读取延迟注解
- 423浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python 3.14 跨解释器 Queue.put 的阻塞与 QueueFull 处理方案
- 157浏览 收藏
-
- 文章 · python教程 | 2天前 | xml · python · Python xml xml.etree.ElementTree canonicalize C14N
- Python xml.etree.ElementTree.canonicalize 怎样生成稳定的 XML 文本
- 151浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
查看更多
AI推荐
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1173次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1154次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1338次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1280次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1138次使用
查看更多
相关文章
-
- Python TaskGroup 怎样让子任务失败统一收敛
- 2026-11-12 501浏览
-
- Python xml.dom.minidom.unlink 怎样释放不再使用的 DOM 树引用
- 2026-10-27 501浏览
-
- Python typing 怎样用 TypeIs 缩小类型
- 2026-10-24 501浏览
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览

