Di blog ini, fokusnya adalah cara mendapatkan bobot lapisan model di PyTorch.
Berapa Bobot Lapisan Model di PyTorch?
“ beban ' Dan ' Bias ” keduanya merupakan fitur penting dari model Jaringan Neural. Keduanya merupakan parameter yang dapat dipelajari dan diperbarui secara berkala selama loop pelatihan dengan setiap penerusan model. Pembaruan rutin ini disebabkan oleh pengoptimal terintegrasi seperti pengoptimal Adam. Tujuan dari model jaringan saraf adalah untuk membuat prediksi yang akurat berdasarkan data masukan dan bobot serta bias digunakan untuk menyesuaikan hasil ini guna meminimalkan kerugian.
Bagaimana Mendapatkan Bobot Lapisan Model di PyTorch?
“ beban ” dari suatu lapisan disimpan dalam kamus Python dan menggunakan sintaksis “ negara_diktekan() ”. Kamus digunakan untuk memanggil bobot menggunakan langkah-langkah di bawah ini:
Langkah 1: Buka IDE Colab
Tutorial ini akan dimulai dengan pemilihan IDE untuk proyek tersebut. Pergi ke Kolaborasi situs web dan memulai “ Buku Catatan Baru ” untuk mulai bekerja:
Langkah 2: Instal dan Impor Perpustakaan
Setelah menyiapkan notebook Colab, “ Install ' Dan ' impor ” perpustakaan yang mencakup semua fungsi yang diperlukan dalam proyek:
! pip instal oborimpor obor
impor visi obor. model
Kode di atas berfungsi sebagai berikut:
- “ pip ” pemasang paket dari python digunakan untuk menginstal yang penting “ obor ' perpustakaan.
- Selanjutnya, “ impor Perintah ” digunakan untuk mengimpornya ke proyek.
- Terakhir, “ torchvision.models ” Paket juga diimpor untuk fungsionalitas tambahan model pembelajaran mendalam:
Langkah 3: Impor Model ResNet
Dalam tutorial ini, “ ResNet50 ” Model jaringan saraf dengan 50 lapisan yang terdapat dalam perpustakaan torchvision digunakan untuk demonstrasi. Impor model terlatih seperti yang ditunjukkan:
sampel_model = visi obor. model . serius50 ( terlatih = BENAR ) 
Langkah 4: Tentukan Lapisan Model
Tentukan nama lapisan model dan gunakan tombol “ negara_diktekan() ” metode untuk mendapatkan bobotnya seperti yang ditunjukkan:
sampel_nama_lapisan = 'lapisan2.0.konv1'sample_layer_weights = sampel_model. negara_diktekan ( ) [ sampel_nama_lapisan + '.berat' ]
mencetak ( 'Berat lapisan: \N ' , sample_layer_weights. membentuk )
Kode di atas berfungsi sebagai berikut:
- Lapisan berbelit-belit kedua dari model ResNet50 ditugaskan ke “ sampel_nama_lapisan ' variabel.
- Kemudian, “ negara_diktekan() ” Metode digunakan dengan “ sampel_model ” variabel dan mereka ditugaskan ke “ sample_layer_weights ' variabel.
- “ sampel_nama_lapisan ” dan “ .berat ” ditambahkan sebagai argumen dari “ negara_diktekan() ” metode untuk mendapatkan bobot.
- Terakhir, gunakan “ mencetak() ” metode untuk menampilkan Bobot Lapisan sebagai keluaran:
Output di bawah ini menunjukkan bahwa kita telah memperoleh bobot lapisan model di Pytorch:
Catatan : Anda dapat mengakses Colab Notebook kami di sini tautan .
Tip Pro
Bobot lapisan model dalam PyTorch menunjukkan kemajuan loop pelatihan. Bobot ini digunakan untuk memastikan pertumbuhan model saat mengolah data masukan menjadi hasil keluaran dan prediksi. Memperoleh bobot suatu lapisan penting dalam menilai kualitas hasil dan untuk memeriksa apakah ada perbaikan yang perlu dilakukan atau tidak.
Kesuksesan! Kami telah mendemonstrasikan cara mendapatkan bobot lapisan model PyTorch.
Kesimpulan
Dapatkan bobot lapisan model di PyTorch menggunakan “negara_diktekan() ” metode setelah mengimpor model dari torchvision atau menggunakan model khusus. Bobot lapisan model adalah parameter yang dapat dipelajari yang terus diperbarui selama pelatihan dan membuat katalog kemajuannya. Pada artikel ini, kami telah menunjukkan cara mengimpor model ResNet50 dari torchvision dan mendapatkan bobot lapisan berbelit-belit kedua.