例如，我想在前10个epoch中仅更新Resnet中的所有卷积层权重，并冻结其他部分。
从第11个epoch开始，我想改为更新整个模型。
我该如何实现这个目标？

回答：

您可以为不同参数组设置学习率（以及其他一些元参数）。您只需根据需要对参数进行分组。
例如，为卷积层设置不同的学习率：

import torchimport itertoolsfrom torch import nnconv_params = itertools.chain.from_iterable([m.parameters() for m in model.children()                                             if isinstance(m, nn.Conv2d)])other_params = itertools.chain.from_iterable([m.parameters() for m in model.children()                                              if not isinstance(m, nn.Conv2d)]) optimizer = torch.optim.SGD([{'params': other_params},                             {'params': conv_params, 'lr': 0}],  # 设置初始学习率为0                            lr=lr_for_model)

您之后可以访问优化器的param_groups并修改学习率。

有关更多信息，请参见按参数选项。