Bu blogda PyTorch'ta bir model katmanının ağırlıklarının nasıl elde edileceğine odaklanılacaktır.
PyTorch'ta Model Katmanının Ağırlıkları Nelerdir?
“ Ağırlıklar ' Ve ' Önyargılar ” Her ikisi de Sinir Ağı modellerinin temel özellikleridir. Bunların her ikisi de, modelin her ileri geçişinde eğitim döngüsü sırasında düzenli olarak güncellenen öğrenilebilir parametrelerdir. Bu düzenli güncelleme, Adam optimizer gibi entegre bir optimize ediciden kaynaklanmaktadır. Sinir ağı modellerinin amacı, girdi verilerine dayanarak doğru tahminler yapmaktır ve ağırlıklar ve sapmalar, bu sonuçları kaybı en aza indirecek şekilde ayarlamak için kullanılır.
PyTorch'ta Model Katmanının Ağırlıkları Nasıl Elde Edilir?
“ ağırlıklar ” bir katmanın Python sözlüğünde saklanır ve “ sözdizimini kullanır state_dict() ”. Sözlük, aşağıdaki adımları kullanarak ağırlıkları çağırmak için kullanılır:
1. Adım: Colab IDE'yi açın
Bu eğitim proje için IDE seçimiyle başlayacaktır. İşbirliğine git İnternet sitesi ve ' Yeni Defter ” çalışmaya başlamak için:
2. Adım: Kitaplıkları Kurun ve İçe Aktarın
Colab not defterini kurduktan sonra “ düzenlemek ' Ve ' içe aktarmak ” projedeki tüm gerekli işlevleri kapsayan kütüphaneler:
! pip kurulum meşalesiiçe aktarmak meşale
içe aktarmak meşale görüşü. modeller
Yukarıdaki kod şu şekilde çalışır:
- “ pip 'Temel kurulumu gerçekleştirmek için python'un paket yükleyicisi kullanıldı' meşale ' kütüphane.
- Daha sonra “ içe aktarmak ” komutu projeye aktarmak için kullanılır.
- Son olarak “ torchvision.models ” paketi ayrıca derin öğrenme modellerinin ek işlevselliği için içe aktarılmıştır:
Adım 3: ResNet Modelini İçe Aktarın
Bu eğitimde “ ResNet50 Gösterim amacıyla torchvision kütüphanesinde yer alan 50 katmanlı sinir ağı modeli kullanıldı. Önceden eğitilmiş modeli gösterildiği gibi içe aktarın:
örnek_model = meşale görüşü. modeller . ciddi50 ( önceden eğitilmiş = Doğru ) 
Adım 4: Model Katmanını Tanımlayın
Model katmanı adını tanımlayın ve “ state_dict() 'Ağırlıklarını elde etme yöntemi gösterildiği gibi:
örnek_katman_adı = 'katman2.0.conv1'sample_layer_weights = sample_model. durum_dict ( ) [ sample_layer_name + '.ağırlık' ]
Yazdır ( 'Katman ağırlıkları: \N ' , sample_layer_weights. şekil )
Yukarıdaki kod şu şekilde çalışır:
- ResNet50 modelinin ikinci kıvrımlı katmanı “ örnek_katman_adı ” değişkeni.
- Sonra ' state_dict() ' yöntemi ' ile birlikte kullanılır örnek_model ” değişkeni ve bunlar “ sample_layer_weights ” değişkeni.
- “ örnek_katman_adı ' ve ' .ağırlık ”,“ argümanı olarak eklenir state_dict() Ağırlıkları elde etmek için ” yöntemi.
- Son olarak “ Yazdır() Katman Ağırlıklarını çıktı olarak gösterme yöntemi:
Aşağıdaki çıktı Pytorch'ta model katmanının ağırlıklarını elde ettiğimizi göstermektedir:
Not : Colab Notebook'umuza buradan ulaşabilirsiniz. bağlantı .
Profesyonel İpucu
PyTorch içindeki bir model katmanının ağırlıkları, eğitim döngüsünün ilerlemesini gösterir. Bu ağırlıklar, girdi verilerini çıktı sonuçlarına ve tahminlere dönüştürürken modelin büyümesini belirlemek için kullanılır. Bir katmanın ağırlıklarının elde edilmesi, sonuçların kalitesinin değerlendirilmesi ve herhangi bir iyileştirme yapılıp yapılmayacağının kontrol edilmesi açısından önemlidir.
Başarı! PyTorch modelinin bir katmanının ağırlıklarının nasıl elde edileceğini gösterdik.
Çözüm
PyTorch'ta bir model katmanının ağırlıklarını aşağıdakileri kullanarak edinin: “durum_dict() Torchvision'dan bir modeli içe aktardıktan veya özel bir model kullandıktan sonra ' yöntemini kullanın. Bir model katmanının ağırlıkları, eğitim sırasında sürekli güncellenen ve ilerlemesini kataloglayan öğrenilebilir parametrelerdir. Bu yazımızda ResNet50 modelinin torchvision'dan nasıl import edileceğini ve ikinci kıvrımlı katmanının ağırlıklarının nasıl elde edileceğini gösterdik.