Πώς να αποκτήσετε τα βάρη ενός επιπέδου μοντέλου στο PyTorch;

Σε αυτό το ιστολόγιο, η εστίαση θα είναι στο πώς να αποκτήσετε τα βάρη ενός επιπέδου μοντέλου στο PyTorch.

Ποια είναι τα βάρη ενός επιπέδου μοντέλου στο PyTorch;

' Βάρη ' και ' Προκαταλήψεις ” είναι και τα δύο βασικά χαρακτηριστικά των μοντέλων νευρωνικών δικτύων. Αυτές είναι και οι δύο παραμέτρους με δυνατότητα εκμάθησης που ενημερώνονται τακτικά κατά τη διάρκεια του βρόχου εκπαίδευσης με κάθε πέρασμα προς τα εμπρός του μοντέλου. Αυτή η τακτική ενημέρωση οφείλεται σε ένα ενσωματωμένο εργαλείο βελτιστοποίησης όπως το Adam optimizer. Ο στόχος των μοντέλων νευρωνικών δικτύων είναι να κάνουν ακριβείς προβλέψεις με βάση τα δεδομένα εισόδου και τα βάρη και οι προκαταλήψεις χρησιμοποιούνται για την προσαρμογή αυτών των αποτελεσμάτων για την ελαχιστοποίηση της απώλειας.

Πώς να αποκτήσετε τα βάρη ενός επιπέδου μοντέλου στο PyTorch;

Ο ' βάρη ' ενός επιπέδου αποθηκεύονται στο λεξικό Python και χρησιμοποιούν τη σύνταξη ' state_dict() '. Το λεξικό χρησιμοποιείται για την κλήση των βαρών χρησιμοποιώντας τα παρακάτω βήματα:

Βήμα 1: Ανοίξτε το Colab IDE

Αυτό το σεμινάριο θα ξεκινήσει με την επιλογή του IDE για το έργο. Πηγαίνετε στο Συνεργείο δικτυακός τόπος και ξεκινήστε ένα ' Νέο Σημειωματάριο ” για να αρχίσετε να εργάζεστε:

Βήμα 2: Εγκατάσταση και εισαγωγή βιβλιοθηκών

Μετά τη ρύθμιση του σημειωματάριου Colab, ' εγκαθιστώ ' και ' εισαγωγή Οι βιβλιοθήκες που καλύπτουν όλες τις απαιτούμενες λειτουργίες του έργου:

Ο παραπάνω κώδικας λειτουργεί ως εξής:

• Ο ' κουκούτσι 'Το πρόγραμμα εγκατάστασης πακέτων από την python χρησιμοποιείται για την εγκατάσταση του βασικού' δάδα ' βιβλιοθήκη.
• Στη συνέχεια, το « εισαγωγή Η εντολή ” χρησιμοποιείται για την εισαγωγή της στο έργο.
• Τέλος, το « λαμπαδηδρομία.μοντέλα Το πακέτο εισάγεται επίσης για την πρόσθετη λειτουργικότητα των μοντέλων βαθιάς εκμάθησης:

Βήμα 3: Εισαγωγή μοντέλου ResNet

Σε αυτό το σεμινάριο, το ' ResNet50 Για επίδειξη χρησιμοποιείται μοντέλο νευρωνικού δικτύου με 50 επίπεδα που περιέχονται στη βιβλιοθήκη πυρσού. Εισαγάγετε το προεκπαιδευμένο μοντέλο όπως φαίνεται:

Βήμα 4: Καθορίστε το επίπεδο μοντέλου

Ορίστε το όνομα του επιπέδου μοντέλου και χρησιμοποιήστε το ' state_dict() ” μέθοδος για να λάβετε τα βάρη του όπως φαίνεται:

Ο παραπάνω κώδικας λειτουργεί ως εξής:

• Το δεύτερο σύνθετο επίπεδο του μοντέλου ResNet50 έχει εκχωρηθεί στο ' sample_layer_name ” μεταβλητή.
• Μετά το ' state_dict() 'η μέθοδος χρησιμοποιείται με το ' δείγμα_μοντέλου ' μεταβλητή και αντιστοιχίζονται στο ' δείγμα_στρώματος_βαρών ” μεταβλητή.
• Ο ' sample_layer_name ' και το ' .βάρος ' προστίθενται ως ορίσματα του ' state_dict() ” μέθοδος για να λάβουμε βάρη.
• Τέλος, χρησιμοποιήστε το ' Τυπώνω() ” μέθοδος για την εμφάνιση των βαρών επιπέδων ως έξοδο:

Η παρακάτω έξοδος δείχνει ότι έχουμε λάβει τα βάρη του επιπέδου μοντέλου στο Pytorch:

Σημείωση : Μπορείτε να αποκτήσετε πρόσβαση στο Σημειωματάριο Colab από αυτό Σύνδεσμος .

Pro-Tip

Τα βάρη ενός επιπέδου μοντέλου μέσα στο PyTorch δείχνουν την πρόοδο του βρόχου εκπαίδευσης. Αυτά τα βάρη χρησιμοποιούνται για να εξακριβωθεί η ανάπτυξη του μοντέλου καθώς επεξεργάζεται τα δεδομένα εισόδου στα αποτελέσματα και τις προβλέψεις εξόδου. Η απόκτηση των βαρών ενός στρώματος είναι σημαντική για την αξιολόγηση της ποιότητας των αποτελεσμάτων και για τον έλεγχο του εάν πρόκειται να γίνουν βελτιώσεις ή όχι.

Επιτυχία! Δείξαμε πώς να αποκτήσετε τα βάρη ενός στρώματος ενός μοντέλου PyTorch.

συμπέρασμα

Λάβετε τα βάρη ενός επιπέδου μοντέλου στο PyTorch χρησιμοποιώντας το 'state_dict() ” μέθοδος μετά την εισαγωγή ενός μοντέλου από το Torchvision ή τη χρήση ενός προσαρμοσμένου. Τα βάρη ενός επιπέδου μοντέλου είναι οι μαθησιακές παράμετροι που ενημερώνονται συνεχώς κατά τη διάρκεια της εκπαίδευσης και καταγράφουν την πρόοδό του. Σε αυτό το άρθρο, δείξαμε πώς να εισάγετε το μοντέλο ResNet50 από το Torchvision και να λάβετε τα βάρη του δεύτερου σύνθετου στρώματος.