Ответ заключается в использовании переменной $_SERVER
. Например, $_SERVER["REMOTE_ADDR"]
вернет IP-адрес клиента.
Вы можете просто получить его, используя model.named_parameters()
, который вернет генератор, с которым вы можете перебрать и получить тензоры, его имя и т. Д.
Вот код для пересетной предварительно обученной модели:
In [106]: resnet = torchvision.models.resnet101(pretrained=True)
In [107]: for name, param in resnet.named_parameters():
...: print(name, param.shape)
, который выдаст
conv1.weight torch.Size([64, 3, 7, 7])
bn1.weight torch.Size([64])
bn1.bias torch.Size([64])
layer1.0.conv1.weight torch.Size([64, 64, 1, 1])
layer1.0.bn1.weight torch.Size([64])
layer1.0.bn1.bias torch.Size([64])
........
........ and so on
Вы можете найти некоторые обсуждения по этой теме в , как манипулировать слойные-параметры-по-его названия /
Допустим, у вас есть следующая нейронная сеть.
import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
# 1 input image channel, 6 output channels, 5x5 square convolution
# kernel
self.conv1 = nn.Conv2d(1, 6, 5)
self.conv2 = nn.Conv2d(6, 16, 5)
# an affine operation: y = Wx + b
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
# define the forward function
return x
Теперь напишем размер весовых параметров, связанных с каждым NN-слоем.
model = Net()
for name, param in model.named_parameters():
print(name, param.size())
Вывод :
conv1.weight torch.Size([6, 1, 5, 5])
conv1.bias torch.Size([6])
conv2.weight torch.Size([16, 6, 5, 5])
conv2.bias torch.Size([16])
fc1.weight torch.Size([120, 400])
fc1.bias torch.Size([120])
fc2.weight torch.Size([84, 120])
fc2.bias torch.Size([84])
fc3.weight torch.Size([10, 84])
fc3.bias torch.Size([10])
Надеюсь, вы сможете расширить пример для удовлетворения своих потребностей.