Šajā emuārā galvenā uzmanība tiks pievērsta tam, kā PyTorch iegūt modeļa slāņa svaru.
Kāds ir PyTorch modeļa slāņa svars?
' Svari ' un ' Aizspriedumi ” ir gan būtiskas neironu tīkla modeļu iezīmes. Šie abi ir apgūstami parametri, kas tiek regulāri atjaunināti apmācības cikla laikā ar katru modeļa pāreju uz priekšu. Šo regulāro atjauninājumu nodrošina integrēts optimizētājs, piemēram, Adam optimizētājs. Neironu tīklu modeļu mērķis ir veikt precīzas prognozes, pamatojoties uz ievades datiem, un svaru un novirzes izmanto, lai pielāgotu šos rezultātus, lai samazinātu zaudējumus.
Kā iegūt modeļa slāņa svaru PyTorch?
' svari slāņa ' tiek saglabāti Python vārdnīcā un izmanto sintaksi ' state_dict() ”. Vārdnīca tiek izmantota, lai izsauktu svarus, veicot šādas darbības:
1. darbība. Atveriet Colab IDE
Šī apmācība sāksies ar IDE izvēli projektam. Dodieties uz Kolaboratoriju tīmekļa vietne un sāciet ' Jauna piezīmju grāmatiņa ', lai sāktu darbu:
2. darbība. Instalējiet un importējiet bibliotēkas
Pēc Colab piezīmju grāmatiņas iestatīšanas uzstādīt ' un ' imports ” bibliotēkas, kas aptver visas projektā nepieciešamās funkcijas:
! pip instalēšanas lodlampaimports lāpa
imports lāpu vīzija. modeļiem
Iepriekš minētais kods darbojas šādi:
- ' pip 'Pakešu instalētājs no python tiek izmantots, lai instalētu būtisko' lāpa ” bibliotēka.
- Tālāk “ imports ” komanda tiek izmantota, lai to importētu projektā.
- Visbeidzot, ' lāpas vīzija.modeļi ” pakotne tiek importēta arī dziļās apmācības modeļu papildu funkcionalitātei:
3. darbība: importējiet ResNet modeli
Šajā apmācībā ' ResNet50 Demonstrēšanai tiek izmantots neironu tīkla modelis ar 50 slāņiem, kas atrodas torchvision bibliotēkā. Importējiet iepriekš apmācītu modeli, kā parādīts attēlā:
parauga_modelis = lāpu vīzija. modeļiem . nopietni50 ( iepriekš apmācīts = Taisnība ) 
4. darbība: definējiet modeļa slāni
Definējiet modeļa slāņa nosaukumu un izmantojiet ' state_dict() ” metode, lai iegūtu tā svarus, kā parādīts:
parauga_slāņa_nosaukums = 'layer2.0.conv1'paraugslāņa_svari = parauga_modelis. valsts_dikts ( ) [ parauga_slāņa_nosaukums + '.svars' ]
drukāt ( 'Slāņu svars: \n ' , paraugslāņa_svari. forma )
Iepriekš minētais kods darbojas šādi:
- Otrais ResNet50 modeļa izliektais slānis ir piešķirts ' parauga_slāņa_nosaukums ” mainīgais.
- Pēc tam ' state_dict() ' metode tiek izmantota ar ' parauga_modelis ” mainīgais, un tie tiek piešķirti “ paraugslāņa_svari ” mainīgais.
- ' parauga_slāņa_nosaukums ” un „ .svars ' ir pievienoti kā argumenti ' state_dict() ” metodi, lai iegūtu svarus.
- Visbeidzot izmantojiet ' drukāt () ” metode, lai parādītu slāņu svaru kā izvadi:
Zemāk redzamā izvade parāda, ka Pytorch esam ieguvuši modeļa slāņa svarus:
Piezīme : mūsu Colab piezīmju grāmatiņai varat piekļūt šeit saite .
Pro-Tip
PyTorch modeļa slāņa svari parāda apmācības cilpas gaitu. Šos svarus izmanto, lai noskaidrotu modeļa izaugsmi, kad tas apstrādā ievades datus izejas rezultātos un prognozēs. Slāņa svara iegūšana ir svarīga, lai novērtētu rezultātu kvalitāti un pārbaudītu, vai ir jāveic kādi uzlabojumi.
Veiksmi! Mēs esam parādījuši, kā iegūt PyTorch modeļa slāņa svaru.
Secinājums
Iegūstiet modeļa slāņa svaru PyTorch, izmantojot “state_dict() ” metodi pēc modeļa importēšanas no torchvision vai pielāgota modeļa izmantošanas. Modeļa slāņa svari ir apgūstami parametri, kas tiek pastāvīgi atjaunināti apmācības laikā un katalogā tā progresu. Šajā rakstā mēs esam parādījuši, kā importēt ResNet50 modeli no torchvision un iegūt tā otrā izliektā slāņa svaru.