Networking 我是否可以同时训练两个网络，一个网络包含另一个netwrok？

我在模型中定义了两个网络

def Net_One():
    conv2d
    conv2d
    ...
def Net_Two():
    Net_One(input)
    conv2d
    fc

---

所以我的问题是：当我使用反向传播优化训练netu_2时，pytorch是否会自动训练netu_1？为什么？

首先，模型类名的约定应该是：

NetOne

，

NetTwo

，但这并没有损害任何东西，只是约定而已

至于您的问题，取决于NetTwo（）的处理。
如果NetTwo的最终丢失与NetOne（）无关，则反向传播将不会流经NetOne（），因此不会更新NetOne（）的参数。 否则，反向传播将计算NetOne（）的梯度并更新其权重

对于代码示例：

#NetTwo的损失与NetOne无关：
def NetOne（）：
定义初始化（自）：
超级（网通，自我）。\uuuuuu初始化
...
def前进（输入）：
...
def NetTwo（）：
定义初始化（自）：
super（NetTwo，self）。\uuuuu init\uuuuuuuu（）
...
def前进（输入）：
#在此处理过程中，NetTwo的层从不使用temp。。
...
temp=NetOne（输入）
输入=conv2d（输入）
...

在上面的代码中，

temp

从未使用过，因此NetTwo更新时不会更新NetOne

但是如果NetTwo.forward（）使用了

temp

，它将被更新，如下所示：

def NetTwo（）：
定义初始化（自）：
super（NetTwo，self）。\uuuuu init\uuuuuuuu（）
...
def前进（输入）：
#在这个过程中，NetTwo的层使用temp。
...
temp=NetOne（输入）
输入=conv2d（温度）
...

---

这回答了你的问题吗？

是的，网络管理员也会接受培训。Net_One和Net_two都是连接的，因为您从通过这两个网络的所有层的输入中获得输出。你可以找到关于它的教程。例如：非常感谢！现在我明白了！