Inisialisasi layer dan transfer learning

Pengantar Deep Learning dengan PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Inisialisasi layer

import torch.nn as nn

layer = nn.Linear(64, 128)
print(layer.weight.min(), layer.weight.max())

(tensor(-0.1250, grad_fn=<MinBackward1>), tensor(0.1250, grad_fn=<MaxBackward1>))

Bobot layer diinisialisasi ke nilai kecil
Menjaga input dan bobot kecil membuat output stabil

Inisialisasi layer

import torch.nn as nn

layer = nn.Linear(64, 128)
nn.init.uniform_(layer.weight)

print(layer.weight.min(), layer.weight.max())

(tensor(0.0002, grad_fn=<MinBackward1>), tensor(1.0000, grad_fn=<MaxBackward1>))

Transfer learning

Menggunakan kembali model terlatih pada tugas pertama untuk tugas serupa
- Melatih model pada gaji data scientist AS
- Gunakan bobotnya untuk melatih pada gaji Eropa

import torch

layer = nn.Linear(64, 128)
torch.save(layer, 'layer.pth')

new_layer = torch.load('layer.pth')

Fine-tuning

Salah satu bentuk transfer learning
- Learning rate lebih kecil
- Latih sebagian jaringan (sebagian lain kita bekukan)
- Praktik umum: bekukan layer awal dan fine-tune layer dekat output

import torch.nn as nn

model = nn.Sequential(nn.Linear(64, 128),
                      nn.Linear(128, 256))

for name, param in model.named_parameters():
    if name == '0.weight':
        param.requires_grad = False

Ayo berlatih!

Pengantar Deep Learning dengan PyTorch