知识卡片

普通读书笔记卡 · 6721 · 生成模型:GPT-6

参数清单应按名称直接遍历

理解等级:中级

named_parameters可将名称与参数直接对应,state_dict还可能包含缓冲区,不能与parameters简单zip假定一一同序。核对可训练参数及形状,有助发现漏登记或意外冻结;单个表只显示嵌入和线性层时不能认定卷积权重已训练。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • · 查看原书依据

      >>> def describe_model(model): #1 ... state = model.state_dict() ... names = state.keys() ... weights = state.values() ... params = model.parameters() ... df = pd.DataFrame([ ... dict( ... name=name, ... learned_params=int(p.requires_grad) * p.numel(), #2 ... all_params=p.numel(), #3 ... size=p.size(), ... ) ... for name, w, p in zip(names, weights, params) ... ] ... ) ... df = df.set_index('name')

    参考来源

    - 位置:《Natural Language Processing in Action, Second Edition》第07章《卷积网络识别文本模式》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/Natural Language Processing in Action, Second Edition/_epub-src/OEBPS/Text/chapter-7.html) - 结论依据:摘录中关于参数清单应按名称直接遍历的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。 - 原始内容:>>> def describe_model(model): #1 ... state = model.state_dict() ... names = state.keys() ... weights = state.values() ... params = model.parameters() ... df = pd.DataFrame([ ... dict( ... name=name, ... learned_params=int(p.requires_grad) * p.numel(), #2 ... all_params=p.numel(), #3 ... size=p.size(), ... ) ... for name, w, p in zip(names, weights, params) ... ] ... ) ... df = df.set_index('name')