深度学习15—（迁移学习）冻结和解冻神经网络模型的参数

冻结与解冻代码： 

def freeze_net(net):
    if not net:
        return
    for p in net.parameters():
        p.requires_grad = False


def unfreeze_net(net):
    if not net:
        return
    for p in net.parameters():
        p.requires_grad = True

这段代码定义了两个函数：`freeze_net` 和 `unfreeze_net`，这两个函数的目的是分别冻结和解冻一个神经网络模型的参数，控制是否对模型参数进行梯度计算。以下是对这两个函数的详细解释：

# 当调用此函数后，模型的参数将不再参与梯度计算，即在反向传播过程中不会更新这些参数的梯度值
# 输入参数 net 是一个 PyTorch 模型对象
def freeze_net(net):
    
    # 检查 net 是否为 None 或者为空，如果是则直接返回，不进行任何操作
    if not net:
        return
    
    # 通过设置 p.requires_grad = False，将参数的梯度计算设置为不可用（冻结）
    for p in net.parameters():
        p.requires_grad = False

        
# 当调用此函数后，模型的参数将重新参与梯度计算，即在反向传播过程中会更新这些参数的梯度值
def unfreeze_net(net):
    
    # 检查 net 是否为 None 或者为空，如果是则直接返回，不进行任何操作
    if not net:
        return
    
    # 对模型的每个参数进行遍历，通过设置 p.requires_grad = True，将参数的梯度计算设置为可用（解冻）
    for p in net.parameters():
        p.requires_grad = True

这两个函数对于模型微调（fine-tuning）和迁移学习（transfer learning）等场景非常有用。例如，在迁移学习中，你可能希望冻结预训练模型的一部分参数，只更新模型的最后几层以适应新任务。通过这两个函数，可以方便地控制模型参数的梯度计算状态。