Come ottenere i pesi di un livello del modello in PyTorch?

In questo blog l'attenzione sarà focalizzata su come ottenere i pesi di un livello del modello in PyTorch.

Quali sono i pesi di un livello del modello in PyTorch?

“ Pesi ' E ' Pregiudizi ” sono entrambe caratteristiche essenziali dei modelli di rete neurale. Questi sono entrambi parametri apprendibili che vengono aggiornati regolarmente durante il ciclo di addestramento con ogni passaggio in avanti del modello. Questo aggiornamento regolare è dovuto a un ottimizzatore integrato come l'ottimizzatore Adam. L'obiettivo dei modelli di rete neurale è quello di fare previsioni accurate basate sui dati di input e i pesi e i bias vengono utilizzati per adattare questi risultati per ridurre al minimo le perdite.

Come ottenere i pesi di un livello del modello in PyTorch?

IL ' pesi ' di un livello sono memorizzati nel dizionario Python e utilizzano la sintassi ' state_dict() ”. Il dizionario viene utilizzato per chiamare i pesi utilizzando i passaggi seguenti:

Passaggio 1: apri l'IDE Colab

Questo tutorial inizierà con la scelta dell'IDE per il progetto. Vai al Laboratorio sito web e iniziare un ' Nuovo taccuino ' per iniziare a lavorare:

Passaggio 2: installa e importa librerie

Dopo aver configurato il notebook Colab, ' installare ' E ' importare ” le librerie che coprono tutte le funzionalità richieste nel progetto:

Il codice sopra funziona come segue:

• IL ' pip 'Il programma di installazione del pacchetto da Python viene utilizzato per installare l'essenziale' torcia ' biblioteca.
• Successivamente, il “ importare Il comando viene utilizzato per importarlo nel progetto.
• Infine, il “ torchvision.models ' viene importato anche il pacchetto per la funzionalità aggiuntiva dei modelli di deep learning:

Passaggio 3: importare il modello ResNet

In questo tutorial, il ' ResNet50 'Per la dimostrazione viene utilizzato il modello di rete neurale con 50 livelli contenuto nella libreria torchvision. Importa il modello pre-addestrato come mostrato:

Passaggio 4: definire il livello del modello

Definire il nome del livello del modello e utilizzare il comando ' state_dict() ' metodo per ottenere i suoi pesi come mostrato:

Il codice sopra funziona come segue:

• Il secondo strato contorto del modello ResNet50 è assegnato al “ nome_livello_campione 'variabile.
• Poi il ' state_dict() Il metodo ' viene utilizzato con il metodo ' modello_campione ' e vengono assegnati alla variabile ' sample_layer_weights 'variabile.
• IL ' nome_livello_campione ' e il ' .peso ' vengono aggiunti come argomenti del ' state_dict() ” per ottenere i pesi.
• Infine, utilizzare il ' stampa() 'metodo per mostrare i pesi dei livelli come output:

L'output seguente mostra che abbiamo ottenuto i pesi del livello del modello in Pytorch:

Nota : Puoi accedere al nostro Colab Notebook da qui collegamento .

Suggerimento professionale

I pesi di un livello del modello all'interno di PyTorch mostrano l'avanzamento del ciclo di addestramento. Questi pesi vengono utilizzati per accertare la crescita del modello mentre elabora i dati di input nei risultati e nelle previsioni di output. Ottenere i pesi di uno strato è importante per valutare la qualità dei risultati e per verificare se è necessario apportare o meno miglioramenti.

Successo! Abbiamo dimostrato come ottenere i pesi di uno strato di un modello PyTorch.

Conclusione

Ottieni i pesi di un livello del modello in PyTorch utilizzando il file “state_dict() ' dopo aver importato un modello da torchvision o averne utilizzato uno personalizzato. I pesi di un livello del modello sono i parametri apprendibili che vengono costantemente aggiornati durante l'addestramento e ne catalogano i progressi. In questo articolo abbiamo mostrato come importare il modello ResNet50 da torchvision e ottenere i pesi del suo secondo layer contorto.