在阅读源码时，遇到了这样的情况：

    1.     # Build resnet.
    2.     self.RCNN_base = nn.Sequential(resnet.conv1, resnet.bn1, resnet.relu,
    3.                           resnet.maxpool, resnet.layer1, resnet.layer2, resnet.layer3)
    5.     self.RCNN_top = nn.Sequential(resnet.layer4)
    7.     self.RCNN_cls_score = nn.Linear(2048, self.n_classes)
    8.     if self.class_agnostic:
    9.       self.RCNN_bbox_pred = nn.Linear(2048, 4)
    10.     else:
    11.       self.RCNN_bbox_pred = nn.Linear(2048, 4 * self.n_classes)
    13.     # Fix blocks
    14.     for p in self.RCNN_base[0].parameters(): p.requires_grad=False
    15.     for p in self.RCNN_base[1].parameters(): p.requires_grad=False
    17.     assert (0 <= cfg.RESNET.FIXED_BLOCKS < 4)
    18.     if cfg.RESNET.FIXED_BLOCKS >= 3:
    19.       for p in self.RCNN_base[6].parameters(): p.requires_grad=False
    20.     if cfg.RESNET.FIXED_BLOCKS >= 2:
    21.       for p in self.RCNN_base[5].parameters(): p.requires_grad=False
    22.     if cfg.RESNET.FIXED_BLOCKS >= 1:
    23.       for p in self.RCNN_base[4].parameters(): p.requires_grad=False

    然后我们在config.py中可以找到对应的参数设置__C.RESNET.FIXED_BLOCKS = ``1

    所以说默认情况下对resnet.conv1,resnet.bn1,resnet.layer1不进行梯度的更新。

    随后这些参数会被传入到trainval_net.py中的这里：

    1.   params = []
    2.   for key, value in dict(fasterRCNN.named_parameters()).items():
    3.     if value.requires_grad:
    4.       if 'bias' in key:
    5.         params += [{'params':[value],'lr':lr*(cfg.TRAIN.DOUBLE_BIAS + 1), \
    6.                 'weight_decay': cfg.TRAIN.BIAS_DECAY and cfg.TRAIN.WEIGHT_DECAY or 0}]
    7.       else:
    8.         params += [{'params':[value],'lr':lr, 'weight_decay': cfg.TRAIN.WEIGHT_DECAY}]
    10.   if args.cuda:
    11.     fasterRCNN.cuda()
    13.   if args.optimizer == "adam":
    14.     lr = lr * 0.1
    15.     optimizer = torch.optim.Adam(params)
    17.   elif args.optimizer == "sgd":
    18.     optimizer = torch.optim.SGD(params, momentum=cfg.TRAIN.MOMENTUM)

    对没有被阻止梯度更新的层进行优化。

    总结

    for p in self.RCNN_base[0].parameters(): p.requires_grad=False这类代码的作用是：特征层中参数都固定住，不会发生梯度的更新。确定是否计算导数的，所以可以减少计算量，也就是不用求w和b的导数了，减少了计算量。只传播误差，而不计算权重和偏执的导数。

    随后在进行梯度更新，也就是把参数放入要训练的网络时，在传入优化器之前，需要重新过滤一遍，所以有了以上优化器之前的代码。