Dalam blog ini, tumpuan akan diberikan kepada cara mendapatkan pemberat lapisan model dalam PyTorch.
Apakah Berat Lapisan Model dalam PyTorch?
“ Timbang ” dan “ berat sebelah ” ialah kedua-dua ciri penting bagi model Rangkaian Neural. Ini adalah kedua-dua parameter yang boleh dipelajari yang sentiasa dikemas kini semasa gelung latihan dengan setiap hantaran hadapan model. Kemas kini biasa ini disebabkan oleh pengoptimum bersepadu seperti pengoptimum Adam. Objektif model rangkaian saraf adalah untuk membuat ramalan yang tepat berdasarkan data input dan pemberat serta bias digunakan untuk melaraskan keputusan ini untuk meminimumkan kerugian.
Bagaimana untuk Mendapatkan Berat Lapisan Model dalam PyTorch?
' berat ' daripada lapisan disimpan dalam kamus Python dan menggunakan sintaks ' state_dict() ”. Kamus digunakan untuk memanggil pemberat menggunakan langkah-langkah di bawah:
Langkah 1: Buka IDE Colab
Tutorial ini akan bermula dengan pilihan IDE untuk projek tersebut. Pergi ke Kolaboratori laman web dan mulakan ' Buku Nota Baharu ” untuk mula bekerja:
Langkah 2: Pasang dan Import Perpustakaan
Selepas menyediakan buku nota Colab, “ pasang ” dan “ import ” perpustakaan yang merangkumi semua fungsi yang diperlukan dalam projek:
! pip pasang oborimport obor
import torchvision. model
Kod di atas berfungsi seperti berikut:
- ' pip 'pemasang pakej dari python digunakan untuk memasang yang penting' obor ” perpustakaan.
- Seterusnya, ' import Perintah ” digunakan untuk mengimportnya ke dalam projek.
- Akhir sekali, ' torchvision.models ” pakej juga diimport untuk fungsi tambahan model pembelajaran mendalam:
Langkah 3: Import Model ResNet
Dalam tutorial ini, ' ResNet50 ” Model rangkaian saraf dengan 50 lapisan yang terkandung dalam perpustakaan torchvision digunakan untuk demonstrasi. Import model pra-latihan seperti yang ditunjukkan:
sampel_model = torchvision. model . serius50 ( pralatihan = betul ) 
Langkah 4: Tentukan Lapisan Model
Tentukan nama lapisan model dan gunakan ' state_dict() ” kaedah untuk mendapatkan beratnya seperti yang ditunjukkan:
contoh_nama_lapisan = 'layer2.0.conv1'sampel_lapisan_berat = sampel_model. negeri_dikt ( ) [ nama_lapisan_contoh + '.berat' ]
cetak ( 'Berat lapisan: \n ' , sampel_lapisan_berat. bentuk )
Kod di atas berfungsi seperti berikut:
- Lapisan berbelit kedua model ResNet50 diberikan kepada ' contoh_nama_lapisan ” pembolehubah.
- Kemudian, ' state_dict() kaedah ' digunakan dengan ' sampel_model ' pembolehubah dan mereka diberikan kepada ' sampel_lapisan_berat ” pembolehubah.
- ' contoh_nama_lapisan ' dan juga ' .berat ” ditambah sebagai hujah bagi “ state_dict() ” kaedah untuk mendapatkan pemberat.
- Akhir sekali, gunakan ' cetak() ” kaedah untuk mempamerkan Berat Lapisan sebagai output:
Output di bawah menunjukkan bahawa kami telah memperoleh berat lapisan model dalam Pytorch:
Catatan : Anda boleh mengakses Buku Nota Colab kami di sini pautan .
Petua Pro
Berat lapisan model dalam PyTorch mempamerkan kemajuan gelung latihan. Pemberat ini digunakan untuk memastikan pertumbuhan model kerana ia memproses data input ke dalam keputusan output dan ramalan. Mendapatkan berat lapisan adalah penting dalam menilai kualiti keputusan dan untuk menyemak sama ada sebarang penambahbaikan perlu dibuat atau tidak.
Berjaya! Kami telah menunjukkan cara untuk mendapatkan berat lapisan model PyTorch.
Kesimpulan
Dapatkan pemberat lapisan model dalam PyTorch menggunakan “state_dict() ” kaedah selepas mengimport model daripada torchvision atau menggunakan yang tersuai. Berat lapisan model ialah parameter yang boleh dipelajari yang sentiasa dikemas kini semasa latihan dan mengkatalog kemajuannya. Dalam artikel ini, kami telah menunjukkan cara mengimport model ResNet50 daripada torchvision dan mendapatkan berat lapisan berbelit kedua.