प्रौद्योगिकी साझेदारी

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

PyTorch मध्ये, भवान् एतानि पदानि अनुसृत्य मॉडलं रक्षितुं लोड् कर्तुं च शक्नोति तथा च प्रशिक्षणं निरन्तरं कर्तुं शक्नोति ।

1. मॉडलं रक्षतु

   प्रायः आदर्शस्य रक्षणस्य द्वौ उपायौ स्तः ।

   • सम्पूर्णं प्रतिरूपं रक्षन्तु (जालसंरचना, भारः इत्यादीनि च):

     torch.save(model, 'model.pth')
     

   • केवलं मॉडलस्य state_dict (केवलं भारमापदण्डान् समाविष्टं) रक्षितं भवति एषा पद्धतिः अनुशंसिता यतः एषा भण्डारणस्थानं रक्षति तथा च लोड् करणसमये अधिकं लचीलं भवति:

     torch.save(model.state_dict(), 'model_weights.pth')
     

2. भारप्रतिरूपम्

   तदनुरूपं मॉडलं लोड् कर्तुं द्वौ उपायौ स्तः ।

   • यदि भवान् पूर्वं सम्पूर्णं मॉडलं रक्षितवान् तर्हि भवान् प्रत्यक्षतया निम्नलिखितरीत्या लोड् कर्तुं शक्नोति ।

     model = torch.load('model.pth')
     

   • यदि भवान् केवलं पूर्वं state_dict रक्षितवान् तर्हि भवान् मूलप्रतिरूपस्य समानसंरचनायुक्तं मॉडलं उदाहरणं दातव्यं, ततः पासं कर्तुं च प्रवृत्तःload_state_dict()भारं भारयितुं विधिः : १.

     # 实例化一个与原模型结构相同的模型
     model = YourModelClass()
      
     # 加载保存的state_dict
     model.load_state_dict(torch.load('model_weights.pth'))
      
     # 确保将模型转移到正确的设备上（例如GPU或CPU）
     device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
     model.to(device)
     

3. प्रशिक्षणं निरन्तरं कुर्वन्तु

   मॉडल् लोड् कृत्वा भवन्तः प्रशिक्षणं निरन्तरं कर्तुं शक्नुवन्ति । सुनिश्चितं कुर्वन्तु यत् भवान् हानिकार्यं अनुकूलकं च परिभाषितवान् अस्ति तथा च तेषां अवस्थाः सम्यक् लोड् कृताः सन्ति (यदि भवान् पूर्वं रक्षितवान्) ।ततः, केवलं सामान्यप्रशिक्षणप्रक्रियायाः अनुसरणं कुर्वन्तु

   # 定义损失函数和优化器
   criterion = nn.CrossEntropyLoss()
   optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
    
   # 如果之前保存了优化器状态，也可以加载
   optimizer.load_state_dict(torch.load('optimizer.pth'))
    
   # 开始训练
   for epoch in range(num_epochs):
       for inputs, labels in dataloader:
           inputs, labels = inputs.to(device), labels.to(device)
           
           optimizer.zero_grad()
           outputs = model(inputs)
           loss = criterion(outputs, labels)
           loss.backward()
           optimizer.step()
   

एवं भवन्तः यत्र अन्तिमवारं रक्षितं तत्रैव मॉडल् इत्यस्य प्रशिक्षणं निरन्तरं कर्तुं शक्नुवन्ति ।