Pytorch 培训网络的一部分

我是新的深入学习和学习。我有以下问题：

我的总体架构由我定义的一个网络（NN1）和另一个预训练网络（NN2）组成，因此NN1的输出就是NN2的输入。我想用NN2的输出和已知地面真相之间的差值（RMSE）来定义NN1的损失。 我需要通过NN2和NN1反向传播（训练NN1），而不改变NN2

我可以在NN2上使用

requires\u grad=False

，但它会禁用通过NN2的反向传播吗？如何在Pytorch中指定此要求

---

谢谢

您将使用两个不同的模块。第一个是模块/model/NN（NN1），第二个是预训练的模块

然后，您将使用

model\u nn1.train（）

和

model\u nn2.eval（）

。然后，您可以执行以下操作：

optimizer=torch.optim.Adam（model_nn1.parameters（））#您可以使用自己喜欢的优化器
型号1.列车（）
模型2.eval（）
对于范围内的历元（历元）：
对于数据加载器中的x，y:#根据torch.utils.data.dataloader，数据加载器是您的数据加载器
optimizer.zero_grad（）
h_nn1=模型_nn1（x）#x是输入
y_hat=模型_nn2（h_nn1）#y_hat是输出
损失=火炬sqrt（火炬平均值（（yhat-y）**2））
loss.backward（）
optimizer.step（）

您可以检查有关渐变操作的要求：

导入火炬 >>>x=火炬nn线性（2，3） >>>x2=火炬nn线性（3，2） >>>z=火炬的兰特（2，2） >>>y=火炬.兰特（2，2） >>>十、列车（） 线性（输入特征=2，输出特征=3，偏差=真） >>>x2.eval（） 线性（输入特征=3，输出特征=2，偏差=真） >>>h=x（z） >>>大学毕业生 真的 >>>y_hat=x2（h） >>>你需要毕业 真的

---

通常

需要_grad=False

应该这样做，但我不确定。也许你应该试着对一批数据进行训练，看看它是否收敛（故意使其过度拟合）。如果是这样的话，这就行了。