本文截取自一个github上千星的火爆教程——《PyTorch 模型训练实用教程》，教程内容主要为在 PyTorch 中训练一个模型所可能涉及到的方法及函数的详解等，本文为作者整理的学习笔记（五），后续会继续更新这个系列，欢迎关注。
项目代码：https://github.com/tensor-yu/PyTorch_Tutorial
系列回顾：
PyTorch 学习笔记（一）：让PyTorch读取你的数据集
PyTorch 学习笔记（二）：PyTorch的数据增强与数据标准化
PyTorch 学习笔记（三）：transforms的二十二个方法
PyTorch 学习笔记（四）：权值初始化的十种方法
一个良好的权值初始化，可以加快收敛速度，甚至可以获得更好的精度。而在实际应用中，我们通常采用预训练模型的权值参数作为我们模型的初始化参数，也称之为Finetune，更广泛的称之为迁移学习。迁移学习中的Finetune技术，本质上就是让我们新构建的模型，拥有一个较好的权值初始值。
finetune权值初始化三步曲，finetune就相当于给模型进行初始化，其流程共用三步：
第一步：保存模型，拥有一个预训练模型；
第二步：加载模型，把预训练模型中的权值取出来；
第三步：初始化，将权值对应的“放”到新模型中
在进行finetune之前我们需要拥有一个模型或者是模型参数，因此需要了解如何保存模型。官方文档中介绍了两种保存模型的方法，一种是保存整个模型，另外一种是仅保存模型参数（官方推荐用这种方法），这里采用官方推荐的方法。
第一步：保存模型参数
# 若拥有模型参数，可跳过这一步。# 假设创建了一个net = Net()，并且经过训练，通过以下方式保存：torch.save(net.state_dict(), 'net_params.pth')第二步：加载模型
# 进行三步曲中的第二步，加载模型，这里只是加载模型的参数：pretrained_dict = torch.load('net_params.pth')第三步：初始化
# 进行三步曲中的第三步，将取到的权值，对应的放到新模型中：# 首先我们创建新模型，并且获取新模型的参数字典net_state_dict：net = Net() # 创建netnet_state_dict = net.state_dict() # 获取已创建net的state_dict# 接着将pretrained_dict里不属于net_state_dict的键剔除掉：pretrained_dict_1 = {k: v for k, v in pretrained_dict.items() if k in net_state_dict}# 然后，用预训练模型的参数字典 对 新模型的参数字典net_state_dict 进行更新：net_state_dict.update(pretrained_dict_1)# 最后，将更新了参数的字典 “放”回到网络中：net.load_state_dict(net_state_dict)这样，利用预训练模型参数对新模型的权值进行初始化过程就做完了。
下面我们模拟一下上述过程。
采用finetune的训练过程中，有时候希望前面层的学习率低一些，改变不要太大，而后面的全连接层的学习率相对大一些。这时就需要对不同的层设置不同的学习率，下面就介绍如何为不同层配置不同的学习率。
二、不同层设置不同的学习率在利用pre-trained model的参数做初始化之后，我们可能想让fc层更新相对快一些，而希望前面的权值更新小一些，这就可以通过为不同的层设置不同的学习率来达到此目的。
为不同层设置不同的学习率，主要通过优化器对多个参数组进行设置不同的参数。
所以，只需要将原始的参数组，划分成两个，甚至更多的参数组，然后分别进行设置学习率。
这里将原始参数“切分”成fc3层参数和其余参数，为fc3层设置更大的学习率。
请看代码：
ignored_params = list(map(id, net.fc3.parameters())) # 返回的是parameters的 内存地址base_params = list(filter(lambda p: id(p) not in ignored_params, net.parameters()))optimizer = optim.SGD([{'params': base_params},{'params': net.fc3.parameters(), 'lr': 0.001*10}], 0.001, momentum=0.9, weight_decay=1e-4)第一行，取得net.fc3.parameters()的id(即内存地址）
第二行，根据内存地址将ignore_params从net.parameters()中剔除，得到base_params
合起来就是，将fc3层的参数net.fc3.parameters()从原始参数net.parameters()中剥离出来
base_params就是剥离了fc3层的参数的其余参数，然后在优化器中为fc3层的参数单独设定学习率。
optimizer = optim.SGD(…)这里的意思就是 base_params中的层，用 0.001, momentum=0.9, weight_decay=1e-4
fc3层设定学习率为： 0.001*10
完整代码位于 ：
https://github.com/tensor-yu/PyTorch_Tutorial/blob/master/Code/2_model/2_finetune.py
补充：
挑选出特定的层的机制是利用内存地址作为过滤条件，将需要单独设定的那部分参数，从总的参数中剔除。
ignored_params = list(map(id, net.fc3.parameters()))中，net.fc3.parameters() 是一个<generator object Module.parameters at 0x7ff4cd16c5c8>，所以迭代的返回其中的parameter，这里有weight 和 bias，最终返回weight和bias所在内存的地址。
PyTorch 学习笔记（五）：Finetune和各层定制学习率
PyTorch学习笔记