Python 不更新权重的反向传播（DCGAN）

基本思想是，我加载一个经过训练的模型（DCGAN），并用它在图像上进行异常检测。对于异常检测，我必须在测试阶段进行一些迭代，以评估它是否是异常

为此，我在测试设置中有两个损失函数，它们应该计算到生成器输入的反向传播，并更新潜在向量但它只应更新潜在向量，而不应更新图上的权重

这可能吗

可能，如果我只使用潜在向量的pytorch变量，并将生成器的变量输出设置为

“需要\u grad=False”

---

就像在文档中一样-->

是的，你在正确的轨道上。 您可以单独设置模型参数的

requires_grad

属性（更精确地说是计算图中所有叶节点的属性）。我不熟悉DCGAN，但我假设潜在向量也是一个可训练的参数（否则反向传播更新对我来说没什么意义）

以下改编自PyTorch文档的代码片段可能对您有用：

# Load your model
model = torchvision.models.resnet18(pretrained=True)

# Disable gradient computation for all parameters
for param in model.parameters():
    param.requires_grad = False

# Enable gradient computation for a specific layer (here the last fc layer)
for param in model.fc.parameters():
    param.requires_grad = True

# Optimize only the the desired parameters (for you latent vectors)
optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)