在 PyTorch 中冻结某些层参数不训练可以通过以下步骤实现： 1. 加载 ResNet50 预训练模型： ```python import torchvision.models as models resnet50=models.resnet50(pretrained=True) ``` 2. 冻结指定层的参数： ```python for name, param in resnet50.named_parameters(): if 'layer3' not in name and 'layer4' not in name: param.requires_grad=False ``` 上述代码中，我们遍历 ResNet50 模型的所有参数，如果参数名中不包含 "layer3" 和 "layer4"，则将其 requires_grad 属性设置为 False，即冻结该层的参数。 3. 将模型放到 GPU 上： ```python device=torch.device('cuda' if torch.cuda.is_available() else 'cpu') resnet50=resnet50.to(device) ``` 4. 定义优化器和损失函数： ```python import torch.optim as optim criterion=nn.CrossEntropyLoss() optimizer=optim.SGD(filter(lambda p: p.requires_grad, resnet50.parameters()), lr=0.001, momentum=0.9) ``` 上述代码中，我们只优化 requires_grad 属性为 True 的参数，即未冻结的参数。 5. 训练模型： ```python for epoch in range(num_epochs): for i, (inputs, labels) in enumerate(train_loader): inputs=inputs.to(device) labels=labels.to(device) optimizer.zero_grad() outputs=resnet50(inputs) loss=criterion(outputs, labels) loss.backward() optimizer.step() ``` 上述代码中，我们使用 DataLoader 加载数据，并将输入和标签放到 GPU 上进行训练。由于部分参数被冻结，因此反向传播时只会更新未冻结的参数。