Tässä blogissa keskitytään mallikerroksen painojen saamiseen PyTorchissa.
Mitkä ovat mallikerroksen painot PyTorchissa?
' Painot ' ja ' Harhaa ” ovat molemmat hermoverkkomallien olennaisia ominaisuuksia. Nämä ovat molemmat opittavia parametreja, joita päivitetään säännöllisesti harjoitussilmukan aikana mallin jokaisen eteenpäinkierroksen yhteydessä. Tämä säännöllinen päivitys johtuu integroidusta optimoinnista, kuten Adam-optimoijasta. Neuraaliverkkomallien tavoitteena on tehdä tarkkoja ennusteita syöttötietojen perusteella ja painotuksia ja biasioita käytetään näiden tulosten säätämiseen häviön minimoimiseksi.
Kuinka saada mallikerroksen painot PyTorchissa?
' painot ' kerroksen ' on tallennettu Python-sanakirjaan ja käyttävät syntaksia ' state_dict() ”. Sanakirjaa käytetään painojen kutsumiseen seuraavilla vaiheilla:
Vaihe 1: Avaa Colab IDE
Tämä opetusohjelma alkaa IDE:n valinnalla projektille. Mene Colaboratorioon verkkosivusto ja aloita ' Uusi muistikirja ”työn aloittamiseksi:
Vaihe 2: Asenna ja tuo kirjastot
Kun olet määrittänyt Colab-muistikirjan, ' Asentaa ' ja ' tuonti ” kirjastot, jotka kattavat kaikki projektin tarvittavat toiminnot:
! pip asennus taskulampputuonti taskulamppu
tuonti soihtunäkö. mallit
Yllä oleva koodi toimii seuraavasti:
- ' pip ' pythonin paketin asennusohjelmaa käytetään olennaisen ' taskulamppu ' kirjasto.
- Seuraavaksi ' tuonti ” -komentoa käytetään tuomaan se projektiin.
- Lopuksi ' torchvision.models ”-paketti tuodaan myös syväoppimismallien lisätoimintoja varten:
Vaihe 3: Tuo ResNet-malli
Tässä opetusohjelmassa ' ResNet50 ” Esittelyyn käytetään hermoverkkomallia, jossa on 50 kerrosta torchvision-kirjastossa. Tuo esikoulutettu malli kuvan mukaisesti:
esimerkki_malli = soihtunäkö. mallit . vakava 50 ( esikoulutettu = Totta ) 
Vaihe 4: Määritä mallikerros
Määritä mallikerroksen nimi ja käytä ' state_dict() ' menetelmällä sen painojen saamiseksi kuvan mukaisesti:
näytekerroksen_nimi = 'layer2.0.conv1'sample_layer_weights = esimerkki_malli. state_dict ( ) [ näytekerroksen_nimi + '.paino' ]
Tulosta ( 'Kerrospainot: \n ' , sample_layer_weights. muoto )
Yllä oleva koodi toimii seuraavasti:
- ResNet50-mallin toinen mutkainen kerros on määritetty ' näytekerroksen_nimi ”muuttuja.
- Sitten ' state_dict() ' -menetelmää käytetään ' esimerkki_malli '-muuttuja ja ne on määritetty ' sample_layer_weights ”muuttuja.
- ' näytekerroksen_nimi ' ja ' .paino ' on lisätty argumenteiksi ' state_dict() ”-menetelmää painojen saamiseksi.
- Käytä lopuksi ' Tulosta() '-menetelmä näyttää kerrosten painot tulostuksena:
Alla oleva tulos osoittaa, että olemme saaneet mallikerroksen painot Pytorchissa:
Huomautus : Pääset käyttämään Colab-muistikirjaamme tästä linkki .
Pro-Tip
PyTorchin mallikerroksen painot näyttävät harjoitussilmukan edistymisen. Näitä painoja käytetään mallin kasvun varmistamiseen, kun se käsittelee syöttödataa tulosteiksi ja ennusteiksi. Kerroksen painojen saaminen on tärkeää tulosten laadun arvioinnissa ja sen tarkistamisessa, onko parannuksia tehtävä vai ei.
Menestys! Olemme osoittaneet, kuinka PyTorch-mallin kerroksen painot saadaan.
Johtopäätös
Hanki mallikerroksen painot PyTorchissa käyttämällä 'state_dict() ” -menetelmää mallin tuomisen jälkeen torchvisionista tai mukautetun mallin käyttämisen jälkeen. Mallikerroksen painot ovat opittavia parametreja, joita päivitetään jatkuvasti harjoittelun aikana ja luetteloidaan sen edistymistä. Tässä artikkelissa olemme osoittaneet, kuinka ResNet50-malli tuodaan torchvisionista ja saadaan sen toisen kierteisen kerroksen painot.