Pytroch同一个优化器优化多个模型的参数并且保存优化后的参数

在进行深度学习过程中会遇到几个模型进行串联，这几个模型需要使用同一个优化器，但每个模型的学习率或者动量等其他参数不一样这种情况。一种解决方法是新建一个模型将这几个模型进行串联，另一种解决方法便是往优化器里面传入这几个模型的参数。

一、参考链接

pytroch中文文档

二、Pytroch同一个优化器载入多个模型的参数

为了方便介绍，这里面取两个模型进行说明，多个模型可以以此类推。
假设：1.采用的优化器为Adam，2.两个模型名称分别为Encoder（lr=0.01）、Decoder（lr=0.0001）。则代码如下：

optim.SGD([
                {'params': Encoder.parameters()},
                {'params': Decoder.parameters(), 'lr': 1e-4}
            ], lr=1e-2, momentum=0.9)

这意味着Encoder的参数将会使用1e-2的学习率，Decoder的参数将会使用1e-4的学习率，并且0.9的momentum将会被用于所 有的参数。
个人觉得这个地方不熟悉是因为对pytroch的optimizer如何实现不熟悉，下面为pytroch的optimizer的初始化代码：

class Optimizer(object):
    r"""Base class for all optimizers.

    .. warning::
        Parameters need to be specified as collections that have a deterministic
        ordering that is consistent between runs. Examples of objects that don't
        satisfy those properties are sets and iterators over values of dictionaries.
        需要将参数指定为具有在运行之间一致的确定性排序的集合。不满足这些属性的对象示例是字典值的集合和迭代器。

    Arguments:
        params (iterable): an iterable of :class:`torch.Tensor` s or
            :class:`dict` s. Specifies what Tensors should be optimized.
        defaults: (dict): a dict containing default values of optimization
            options (used when a parameter group doesn't specify them).
        params (iterable)：torch.Tensor 或 dict 的可迭代对象。指定应该优化哪些张量。
		默认值：（dict）：包含优化选项默认值的字典（在参数组未指定它们时使用）。
    """

    def __init__(self, params, defaults):
        torch._C._log_api_usage_once("python.optimizer")
        self.defaults = defaults

        if isinstance(params, torch.Tensor):
            raise TypeError("params argument given to the optimizer should be "
                            "an iterable of Tensors or dicts, but got " +
                            torch.typename(params))

        self.state = defaultdict(dict)
        self.param_groups = []

        param_groups = list(params)
        if len(param_groups) == 0:
            raise ValueError("optimizer got an empty parameter list")
        if not isinstance(param_groups[0], dict):
            param_groups = [{'params': param_groups}]

        for param_group in param_groups:
            self.add_param_group(param_group)

三、保存并加载多个模型的参数

这里取两个模型进行说明（Encoder和Decoder）
保存

state = {'Encoder':Encoder.state_dict(),
         'Decoder':Decoder.state_dict()}
torch.save(state, filename) # state为一个字典，filename为保存的文件名称.pth

加载

checkpoint = torch.load(filename)
Encoder.load_state_dict(checkpoint['Encoder']) # 这里checkpoint可以看为字典，和之前保存的state相对应
Decoder.load_state_dict(checkpoint['Decoder'])