已关闭，此问题需要更focused。目前不接受答复。
**想改善这个问题吗？**更新问题，使其仅通过editing this post关注一个问题。

15小时前关门了。
Improve this question
我试着训练两个模型。问题是一种倒退;设置如下：
网络F和G。F将输入x转换为特征向量F（x），G取F（x）并给予G（F（x））这会导致一些问题：
1，因为G的输入= F的输出，当F收敛时，我需要停止F并继续训练G，我“锁定”F的方式是：把loss.backward和optimizer.step放在if（）语句下，这是否和我想的一样？（锁F，保持训练G）
2在“总参数= 2 * 样本数+输入维数”的规则下，“总参数”应该适用于“F的参数+G的参数”还是F和G分别适用？（即，如果总参数= 10，F和G应该各有10个参数，还是它们的参数数加起来应该是10？）
3我有单独的优化器，调度器，以及两个模型的早期停止。我看到一个优化器可以更新两个模型的参数，但是我不确定什么时候应该这样做/不应该这样做。我在交叉验证中得到了很好的拟合，但是当我进行测试时，我得到了F和G的超拟合