Ініціалізація шарів і transfer learning

Вступ до Deep Learning з PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Ініціалізація шару

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>))

Ваги шару ініціалізують малими значеннями
Малі вхідні дані й малі ваги забезпечують стабільні виходи

Ініціалізація шару

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

Повторне використання моделі, навченої на першому завданні, для подібного другого
- Навчили модель на зарплатах data scientist у США
- Використайте ваги для навчання на європейських зарплатах

import torch

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

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

Fine-tuning

Різновид transfer learning
- Менша швидкість навчання
- Тренуємо частину мережі (деякі шари ми заморожуємо)
- Практичне правило: заморожуйте ранні шари, а fine-tune робіть для шарів ближче до виходу

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

Давайте потренуємось!

Вступ до Deep Learning з PyTorch