parameters()

parameters() metodu, modelin öğrenilebilir parametrelerini döndürür.

parameters()

parameters() modüldeki tüm öğrenilen tensörleri gezer; optimize ediciye bu verilir. named_parameters() adlarıyla birlikte döndürür:

model = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 3))
for ad, p in model.named_parameters():
    print(ad, tuple(p.shape))
# 0.weight (8, 4)  0.bias (8,)  2.weight (3, 8)  2.bias (3,)
print(sum(p.numel() for p in model.parameters()))   # 67

ReLU'nun parametresi olmadığı için 1 numaralı ad listede görünmez.

Dondurma ve state_dict

Bir parametrenin requires_grad'ı kapatılırsa o parametre dondurulur: gradyan almaz ve güncellenmez. Transfer öğrenmede önceden eğitilmiş katmanlar böyle korunur. state_dict() tüm parametreleri ve tamponları adlarıyla bir sözlükte toplar; model kaydetmenin standart yoludur:

for p in model[0].parameters():
    p.requires_grad = False          # ilk katmanı dondur
egitilebilir = sum(p.numel() for p in model.parameters() if p.requires_grad)
torch.save(model.state_dict(), "model.pt")
model.load_state_dict(torch.load("model.pt"))

Uygulama Parametreleri say ve dondur

nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 3)) için parametre adlarını bir liste olarak ve toplam parametre sayısını alt alta yazdır. Ardından ilk katmanı dondurup eğitilebilir parametre sayısını yazdır.

Örnek çözümü göster

import torch
from torch import nn

model = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 3))

print([ad for ad, _ in model.named_parameters()])
print(sum(p.numel() for p in model.parameters()))
for p in model[0].parameters():
    p.requires_grad = False
print(sum(p.numel() for p in model.parameters() if p.requires_grad))

Kendini test et

<code>nn.Sequential(nn.Linear(10, 5), nn.ReLU(), nn.Linear(5, 1))</code> kaç parametre içerir?
- 61
- 56
- 50
- 66
Cevabı göster

61 — 10·5 + 5 = 55; 5·1 + 1 = 6; toplam 61.

Parametreleri adlarıyla gez.

for ad, p in model.____():

Cevabı göster

for ad, p in model.named_parameters():

Yöntemleri eşleştir.

parameters()

Öğrenilen tensörler
named_parameters()

Adlarıyla
state_dict()

Kaydedilecek sözlük
requires_grad = False

Dondurma

Sıradaki ders: Özet - nn.Module

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler