直接冻结指定层即可，无需修改模型结构；通过将目标层参数的requires_grad设为False实现，且必须在构建optimizer前完成，否则optimizer仍会包含已冻结参数。
直接冻结指定层即可，不需要改模型结构或重新定义网络。PyTorch 的 requires_grad 属性控制参数是否参与梯度计算，设为 False 就能冻结，且冻结后 optimizer 自动跳过这些参数。
如何用 requires_grad = False 冻结某一层
最常用也最稳妥的方式是遍历目标模块的 parameters() 并批量设置：
# 冻结 backbone.conv1 和 backbone.layer1（以 ResNet 为例）
for param in model.backbone.conv1.parameters():
param.requires_grad = False
for param in model.backbone.layer1.parameters():
param.requires_grad = False
注意：必须对 parameters() 迭代，不能只写 model.backbone.conv1.requires_grad = False——模块对象本身没有 requires_grad 属性，只有其内部的 Parameter 才有。
- 冻结后调用
model.train()或model.eval()不影响冻结状态 - 冻结操作应在构建
optimizer之前 完成，否则 optimizer 会把已冻结参数也纳入param_groups - 如果之后想解冻，只需重新设回
True，再调用optimizer.param_groups = optimizer.param_groups（或重建 optimizer）
冻结整个子模块（如全部 backbone）的快捷写法
用 named_parameters() 配合字符串匹配，适合批量冻结：
立即学习“Python免费学习笔记（深入）”；
for name, param in model.named_parameters():
if "backbone" in name:
param.requires_grad = False
这种写法灵活但需小心命名冲突，比如 "backbone" 可能误伤 "head.backbone_proj"。更安全的做法是用 isinstance 判断模块类型：
- 冻结所有
nn.Conv2d层：if isinstance(module, nn.Conv2d): - 冻结所有 BatchNorm 层：
if isinstance(module, (nn.BatchNorm2d, nn.SyncBatchNorm)): - 冻结除最后一层外的所有线性层：
if isinstance(module, nn.Linear) and module is not model.classifier:
冻结后验证是否生效
别只信代码逻辑，运行时检查最可靠：
# 查看 backbone.conv1 是否真被冻结 print([p.requires_grad for p in model.backbone.conv1.parameters()]) # 应全为 False <h1>检查 optimizer 是否真的没包含这些参数</h1><p>print(len(optimizer.param_groups[0]["params"])) # 对比冻结前后数量变化
常见失效场景：
- 在创建
optimizer之后 才冻结参数 → optimizer 仍持有旧引用，梯度更新会静默失败 - 用了
model.module（DDP 包装后）但冻结的是原始model→ 实际要冻结model.module.backbone - 冻结了参数但忘了关掉对应层的
training状态 → BN 层仍会更新 running_mean/var，需手动model.backbone.eval()
真正容易被忽略的是：冻结参数不等于关闭该层的前向行为，BN 和 Dropout 在 train() 模式下依然活跃，该关的 eval() 得手动关，不然微调效果可能反常。
