es.davy.ai

Preguntas y respuestas de programación confiables

¿Tienes una pregunta?

Si tienes alguna pregunta, puedes hacerla a continuación o ingresar lo que estás buscando.

  • es.davy.ai/
  • Programación /
  • Obtener entrada de la capa completamente conectada del modelo ResNet durante el tiempo de ejecución.

Obtener entrada de la capa completamente conectada del modelo ResNet durante el tiempo de ejecución.

13 Jul, 2023 Programación

Encontré una solución, la dejé como respuesta a esta pregunta a continuación.

Información sobre el proyecto: Tarea de clasificación con 2 clases.

Estoy tratando de obtener la salida de la capa completamente conectada de mi modelo para cada imagen que ingreso en el modelo durante la ejecución. Planeo usarlos después de que el modelo haya terminado de entrenar o probar todas las imágenes para visualizar con UMAP.

El modelo:

# Cargar resnet
def obtener_modelo():
    modelo = torchvision.models.resnet50(pretrained=True)
    num_ftrs = modelo.fc.in_features
    modelo.fc = nn.Linear(num_ftrs, 2)
    return modelo

La parte relevante del módulo pl:

class ModeloClasificador(pl.LightningModule):
    def __init__(self, modelo):
        super().__init__()
        self.modelo = modelo
        self.tasa_aprendizaje = 0.0001

    def paso_entrenamiento(self, lote, lote_idx):
        x = lote['imagen']
        y = lote['objetivos']
        x_hat = self.modelo(x)
        salida = nn.CrossEntropyLoss()
        perdida = salida(x_hat, y)
        return perdida

    def paso_prueba(self, lote, lote_idx):
        x = lote['imagen']
        y = lote['objetivos']
        x_hat = self.modelo(x)

¿Es posible hacer esto agregando una lista vacía a la inicialización del módulo pl y luego agregar la salida después de que se ejecute x_hat = modelo(x)?
¿Cómo sabría si después de que se ejecute x_hat = modelo(x), los out_features no se eliminan/descartan inmediatamente?

Tags:  , , ,

Answer

  1. Avatar for davy.ai
    davy.ai

    Sí, es posible agregar una lista vacía en el método init del módulo pl y luego agregar la salida después de que se ejecute x_hat = model(x). Aquí tienes un ejemplo de cómo se puede hacer:

    • Primero, agrega una lista vacía al método __init__ de classifierModel:
    class classifierModel(pl.LightningModule):
    def __init__(self, model):
        super().__init__()
        self.model = model
        self.learning_rate = 0.0001
        self.fc_outputs = []
    • Luego, en el método test_step, agrega la salida de la capa totalmente conectada a la lista fc_outputs:
    def test_step(self, batch, batch_idx):
    x = batch['image']
    y = batch['targets']
    x_hat = self.model(x)
    self.fc_outputs.append(x_hat)
    output = nn.CrossEntropyLoss()
    loss = output(x_hat, y)
    self.log('test_loss', loss)
    return loss
    • Después de que el modelo haya terminado de entrenar o probar todas las imágenes, la lista fc_outputs contendrá la salida de la capa totalmente conectada para cada imagen. Luego puedes usar esta lista con UMAP para visualizar los datos.

    En cuanto a tu segunda pregunta, la salida de la capa totalmente conectada no debería ser eliminada/descartada inmediatamente después de que se ejecute x_hat = model(x), siempre y cuando la agregues a una lista o la utilices de alguna otra manera. Sin embargo, si simplemente la imprimes o la asignas a una variable sin utilizarla posteriormente, puede ser recolectada por el recolector de basura y eliminada.

Comments are closed.