MXNet 上的微调（FC 层除外）答案

【问题标题】：Fine tuning on MXNet other than FC layersMXNet 上的微调（FC 层除外）
【发布时间】：2018-03-30 01:25:26
【问题描述】：

我是 MXNet 的新手，我想知道是否有人知道如何微调 CNN 中的更多层，而不仅仅是 FC 层。我查看的所有示例都仅在 FC 层上进行了微调。在 Keras 中，这可以轻松完成，并且可以微调除 FC 块之外的更多 ConvNet 块：https://github.com/Hvass-Labs/TensorFlow-Tutorials/blob/master/10_Fine-Tuning.ipynb

Pre-trained network

如果我们只想微调 FC 块，我们将所有层的可训练性设为 false： layer.trainable = False

finetune the FC layers

如果我们想要微调除 FC 层之外的更多 ConnNet 块，我们为这些层设置 layer.trainable=True： finetune blocks of ConvNet in Keras

我的问题是如何在 MXNet 中做类似的事情

【问题讨论】：

嘿@Azi，我建议添加一些您需要帮助的特定问题的示例。 SO 用户很乐意提供帮助，但我们需要具体而不是笼统的问题。通常，这意味着添加您已经尝试过的代码。

标签： deep-learning conv-neural-network mxnet

【解决方案1】：

答案取决于您使用的是命令式 (Gluon) 还是符号式 API。

如果您使用的是命令式 (Gluon) API：

您可以提供要训练的这些参数的子集，而不是使用所有参数 (net.collect_params()) 创建 gluon.Trainer。您传递给 Trainer 的 ParameterDict 中不存在的任何参数都将保持冻结状态。

如果您使用符号 API：

您可以在创建Module 时使用fixed_param_names 参数。您可以提供与要冻结的参数名称匹配的正则表达式。检查this 示例。

【讨论】：