Hvordan importerer man en præ-trænet model i PyTorch?

Machine Learning-modeller i PyTorch kan være ekstremt komplekse og detaljerede med millioner af rækker og terabyte af data. Jo større og mere forskelligartet datasæt, der bruges til træning, jo bedre slutninger af modellen. Det er afgørende at kunne bruge tidligere trænede modeller til at drage slutninger fra nye data, fordi det kan spare ressourcer og bruge de samme omhyggeligt udformede modeller.

I denne blog vil vi gennemgå to metoder til, hvordan man importerer en præ-trænet model i PyTorch.

Hvordan importerer man en præ-trænet model i PyTorch ved hjælp af Torchvision?

Det ' fakkelsyn ” biblioteket kan bruges til at importere præ-trænede modeller i PyTorch. Det er en underafdeling af den primære ' fakkel ”-bibliotek og indeholder funktionaliteten af tidligere kompilerede datasæt og trænede modeller. Dette bibliotek giver brugerne mulighed for at kalde modeller, der er blevet trænet på et stort datasæt. Disse præ-trænede modeller kan anvendes på nye data og kan give gyldige slutninger uden behov for lange og uoverskuelige træningsløkker.

Følg nedenstående trin for at lære, hvordan du importerer en præ-trænet model i PyTorch ved hjælp af Torchvision:

Trin 1: Åbn Google Colab
Gå til Kolaboratoriet internet side oprettet af Google og start en ' Ny notesbog ” for at starte projektet:

Trin 2: Importer nødvendige biblioteker
Når Colab IDE er sat op, er det første trin at installere og importere de nødvendige biblioteker i projektet:

! pip-installationsbrænder

importere fakkel
importere fakkelsyn
importere fakkelsyn. modeller

Ovenstående kode fungerer som følger:

Det ' pip '-pakkeinstallationsprogram til Python bruges til at installere ' fakkel ” bibliotek.
Dernæst ' importere kommandoen bruges til at importere biblioteket til Colab-projektet.
Derefter ' fakkelsyn ” biblioteket importeres til projektet. Dette indeholder funktionalitet til datasæt og modeller.
Det ' torchvision.model ”-modulet indeholder et udvalg af fortrænede modeller, såsom dem fra Residual Neural Network ” ResNet ”:

Trin 3: Importer præ-trænet model
Importer en fortrænet model gemt i 'torchvision.models'-pakken ved hjælp af nedenstående kodelinje:

Pre_Trained_Model = fakkelsyn. modeller . seriøs 50 ( foruddannet = Rigtigt )

Kodelinjen ovenfor fungerer som følger:

Definer en variabel og giv den et passende navn til reference som f.eks 'Pre_Trained_Model' .
Brug 'torchvision.models' modul for at tilføje ' ResNet 'model.
Tilføj ' seriøs 50 '-modellen og indstil ' fortrænet=Sandt ' som argument:

Se derefter den fortrænede model som et output ved hjælp af 'print()'-metoden:

Print ( Pre_Trained_Model )

Bemærk : Du kan få adgang til vores Colab notesbog, der beskriver importen af en fortrænet PyTorch model ved hjælp af torchvision på denne link .

Hvordan importerer man en præ-trænet PyTorch-model fra Hugging Face-databasen?

En anden metode til at importere en fortrænet model er at få den fra Hugging Face-platformen. Hugging Face er en af de mest populære onlinedatabaser for præ-trænede modeller og store datasæt, der er tilgængelig for datavidenskabsfolk og programmører.

Følg nedenstående trin for at importere en fortrænet PyTorch-model fra datasættet Hugging Face:

Trin 1: Start en Colab Notebook og installer og importer nødvendige biblioteker
Det første trin er at starte en notesbog i Colab IDE og installere biblioteker ved hjælp af ' pip ”-pakkeinstallationsprogram og importer dem ved hjælp af “ importere kommando:

! pip-installationsbrænder
! pip installere transformere

importere fakkel
importere transformere
fra transformere importere Automodel

Følgende biblioteker er nødvendige i dette projekt

Det ' fakkel ”-biblioteket er det væsentlige PyTorch-bibliotek.
Det ' transformere ”-biblioteket indeholder funktionaliteten af Hugging Face, dets modeller og dets datasæt:

Trin 2: Importer modellen fra Hugging Face
I dette eksempel er modellen, der skal importeres fra ' Krammer ansigt ”-databasen er tilgængelig på denne link . Brug ' AutoModel.from_pretrained() ”-metode til at importere en fortrænet model fra Hugging Face som vist nedenfor:

pre_trained_model_name = 'Helsinki-NLP/opus-mt-en-zh'
præ_trænet_model = Automodel. fra_foruddannet ( pre_trained_model_name )

Print ( præ_trænet_model )

Ovenstående kode fungerer som følger:

Kopier modelnavnet fra dens hjemmeside på Hugging Face-platformen og tildel det til ' pre_trained_model_name ” variabel i Colab.
Brug derefter ' AutoModel.from_pretrained() ”-metoden og indtast modelnavnvariablen som dens argument.
Brug endelig 'Print() ” metode til at vise den importerede model i outputtet.

Foruddannet model importeret fra Hugging Face vil vise nedenstående output:

Bemærk : Du kan få adgang til vores Colab notesbog, der beskriver, hvordan du importerer en fortrænet model fra Hugging Face på denne link .

Pro-Tip

Hugging Face er en værdifuld samling af store datasæt og komplekse modeller, der er gratis for alle at bruge i deep learning-projekter. Du kan også uploade dine egne datasæt, som andre kan bruge, og platformen er tunet til samarbejde mellem dataforskere og udviklere over hele verden.

Succes! Vi har vist, hvordan man importerer en fortrænet PyTorch-model ved at bruge torchvision-biblioteket eller fra Hugging Face-databasen ved hjælp af transformatorbiblioteket.

Konklusion

For at importere en fortrænet model i PyTorch kan brugere enten bruge torchvision-biblioteket eller fra Hugging Face-onlinedatabasen ved hjælp af transformatorbiblioteket i Google Colab. Disse præ-trænede modeller bruges til at undgå at bruge værdifuld tid og hardwareressourcer på træning og går direkte til at teste nye data for troværdige slutninger. I denne blog har vi vist to metoder til at importere fortrænede modeller i PyTorch.

Hvordan importerer man en præ-trænet model i PyTorch?