Видеоурок произведение вектора на число: Конспект урока 9 класса по геометрии на тему Умножение вектора на число

Содержание

Урок по теме: «Умножение вектора на число»

Умножение вектора на число. 9 класс.

ПОВТОРЕНИЕ:

1) Постройте сумму а + b,

используя правило треугольника.

Дано:

Построение:

a + b

2) Постройте сумму с + d,

используя правило параллелограмма .

Дано:

Построение:

c + d

3) Постройте разность с — b, используя

теорему о разности векторов.

Дано:

Построение:

-b

с — b

4) Постройте разность d — а,

используя правило вычитания векторов .

Дано:

Построение:

х = d – a, значит d = а + х

d — a

5) Упростите выражение:

1 вариант.

CA – OB – CD + AB =

2 вариант.

BA + CD – OD – CA =

= BA + CD + DO + AC =

= CA + BO + DC + AB =

= BA + AC + CD + DO =

= DC + CA + AB + BO =

= DO.

= BO.

У мно же ние вектора на число.

0, и меняется на противоположное, если t Произведение вектора на число t обозначается . По определению, В режиме слайдов ответы появляются после кликанья мышкой Произведение вектора на число -1 называется вектором, противоположным и обозначается По определению, вектор имеет направление, противоположное вектору и «

Умножение вектора на число

Произведением вектора на число t называется вектор, длина которого равна , а направление остается прежним, если t 0, и меняется на противоположное, если t

Произведение вектора на число t обозначается . По определению,

В режиме слайдов ответы появляются после кликанья мышкой

Произведение вектора на число -1 называется вектором, противоположным и обозначается По определению, вектор имеет направление, противоположное вектору и

Свойства

Для умножения вектора на число справедливы свойства, аналогичные свойствам умножения чисел, а именно:

Свойство 1. (сочетательный закон).

Свойство 2 . (первый распределительный закон).

Свойство 3 . (второй распределительный закон).

В режиме слайдов ответы появляются после кликанья мышкой

Что получается при умножении

вектора на число?

2а

— 0,5d

0,5с

РЕШЕНИЕ ЗАДАЧ:

№ 775, 776(в,г), 778, 782.

Упражнение 1

В треугольнике АВС укажите векторы:

а)

б)

в)

г)

В режиме слайдов ответы появляются после кликанья мышкой

Ответ: а)

б)

в)

г)

Упражнение 2

В параллелограмме АВСD укажите векторы:

а)

б)

в)

г)

д)

В режиме слайдов ответы появляются после кликанья мышкой

Ответ: а)

б)

в)

д)

г) ;

Упражнение 3

Точки M и N — середины сторон соответственно АВ и АС треугольника АВС . Выразите векторы: а) ; б) ; в) ; г) ; д) через векторы ,

В режиме слайдов ответы появляются после кликанья мышкой

Ответ: а) ;

д)

б) ;

в) ;

г) ;

Упражнение 4

Отрезки АА 1 , ВВ 1 , СС 1 — медианы треугольника АВС . Выразите векторы: а) ; б) ; в) через векторы и

В режиме слайдов ответы появляются после кликанья мышкой

Ответ: а) ;

б) ;

в) .

Упражнение 5

Упростите выражение:

а)

б)

В режиме слайдов ответы появляются после кликанья мышкой

Ответ: а) ;

б) .

Упражнение 6

Сторона равностороннего треугольника АВС равна а . Найдите: а) ; б) .

В режиме слайдов ответы появляются после кликанья мышкой

Ответ: а) a ;

б) a .

Упражнение 7

В треугольнике АВС АВ = 6, ВС = 8, B = 90°. Найдите: а) ; б) ; в) ; г) .

В режиме слайдов ответы появляются после кликанья мышкой

б) 10;

в) -2;

г) 10.

Ответ: а) -2;

Домашняя работа.

Повторить материал пунктов 82- 86,

выполнить №№ 776(а,б), 777, 779.

Конспект урока с ЭОР по теме «Умножение вектора на число» | План-конспект урока (геометрия, 9 класс) на тему:

Приложение 1

ПЛАН-КОНСПЕКТ УРОКА

Произведение вектора на число

1	ФИО (полностью)	Пастухова Наталья Алексеевна
2	Место работы	МОУ «СОШ № 18» г. Энгельс Саратовская область
3	Должность	Учитель
4	Предмет	Геометрия
5	Класс	9
6	Тема и номер урока в теме	Умножение вектора на число. Применение векторов к решению задач. Урок №1
7	Базовый учебник	Геометрия 7-9 Атанасян Л.С.

8. Цель урока: Познакомиться с понятием произведения вектора на число; научиться использовать его при решении практических задач на построение суммы и разности векторов и решении геометрических задач.

9. Задачи:

— обучающие: сформировать понятие произведения вектора на число; совершенствовать навыки решения практических задач на построение суммы и разности векторов; научить применять знания при решении геометрических задач;

-развивающие: формировать у учащихся таких приемов мышления и мыслительных операций как сравнение и аналогия, обобщение и конкретизация, умение делать логические выводы;

-воспитательные: воспитывать самостоятельность и ответственность.

10. Тип урока: Урок изучения нового материала

11. Формы работы учащихся: устная фронтальная работа по готовым чертежам; самостоятельное выполнение лабораторной работы и закрепление теоретических знаний по ЭУМ К-типа; выполнение практических заданий из учебника на построение суммы и разности векторов; самостоятельное решение параметризированных геометрических задач на закрепление понятия произведения вектора на число по ЭУМ П — типа; пошаговое решение задания из ЭУМ П – типа.

12. Необходимое техническое оборудование: персональные компьютеры (компьютерный класс), мультимедийный проектор, интерактивная доска.

Таблица 1.

СТРУКТУРА И ХОД УРОКА

№	Этап урока	Название используемых ЭОР (с указанием порядкового номера из Таблицы 2)	Деятельность учителя (с указанием действий с ЭОР, например, демонстрация)	Деятельность ученика	Время (в мин.)
1	2	3	5	6	7
1	Организационный момент.		Мотивационная беседа с последующей постановкой цели	Слушают учителя	1
2	Актуализация опорных знаний		Задает вопросы учащимся по готовым рисункам (приложение к плану конспекту)	Отвечают на вопросы учителя	5
3	Ответы учащихся на вопросы учителя по осмыслению новой темы	1	Задает вопросы по ЭУМ И – типа, просмотренному учащимися дома	Отвечают на вопросы учителя	2
4	Формулировка учителем заданий для самостоятельного выполнения учащимися	2	Определяет ЭУМ К — типа	Знакомятся с заданием и задают вопросы по его условию	1
5	Выполнение заданий учащимися	2	Анализирует результаты выполнения учащимися заданий	Самостоятельно выполняют задание на компьютере	4
6	Самостоятельное выполнение практического задания из учебника №775		Контролирует выполнение задания	Самостоятельно выполняют задание в тетради	4
7	Выполнение практического задания из учебника № 777		Руководит выполнением задания по очереди четырьмя учащимися на интерактивной доске и консультирует остальных учащихся, работающих на местах	Самостоятельно выполняют задание в тетради	8
8	Формулирования задания учащимися	3	Определяет ЭУМ П-типа, (предусматривающее индивидуальное задание для каждого учащегося), ставит задачи по выполнению.	Знакомятся с заданием	1
9	Выполнение учащимися задания	3	Анализирует ответы учащихся, оценивает их деятельность	Самостоятельно выполняют задание на компьютере; учащиеся, окончившие задание раньше выполняют задание по карточке (приложение к плану-конспекту)	8
10	Совместный пошаговый разбор задания №2 из УМК П-типа	4	Руководит поиском решения задания, демонстрирует его на экране, координирует его выполнение учащимся на интерактивной доске.	Обсуждают способ решения задания, оформляют решение в тетради.	8
11	Формулирование выводов урока		Фиксирует выводы	Формулируют выводы по уроку	2
12	Домашнее задание П. 83, в.14-17 с. 214, № 776, 782	5, 6, 7	Определяет ЭУМ И- типа, задание из учебника	Записывают домашнее задание, копируют ссылки на ЭУМ И — типа	1

Приложение к плану-конспекту урока

Произведение вектора на число

Таблица 2.

ПЕРЕЧЕНЬ ИСПОЛЬЗУЕМЫХ НА ДАННОМ УРОКЕ ЭОР

№	Название ресурса	Тип, вид ресурса	Форма предъявления информации (иллюстрация, презентация, видеофрагменты, тест, модель и т.д.)	Гиперссылка на ресурс, обеспечивающий доступ к ЭОР
1	Умножение вектора на число	ЭУМ И- типа	Видеофрагмент с опорным конспектом	http://www.fcior.edu.ru/card/14002/umnozhenie-vektora-na-chislo-i1.html
2	Умножение вектора на число	ЭУМ К- типа	Анимационная лабораторная работа и тест с выбором ответа	http://www.fcior.edu.ru/card/3345/umnozhenie-vektora-na-chislo-zavisimost-mezhdu-vektorami-k2.html
3	Векторы в трапеции.	ЭУМ П- типа	Задания, состоящие из трех уровней с подсказкой и введением ответа	http://www. fcior.edu.ru/card/4679/vektory-v-trapecii-p2.html
4	Умножение вектора на число.	ЭУМ П-типа	Задание по готовому чертежу с пошаговым решением	http://www.fcior.edu.ru/card/9746/umnozhenie-vektora-na-chislo-p1.html
5	Основные свойства умножения вектора на число. Сочетательный закон.	ЭУМ И- типа	Видеофрагмент	http://www.fcior.edu.ru/card/779/osnovnye-svoystva-umnozheniya-vektora-na-chislo-sochetatelnyy-zakon-i2.html
6	Основные свойства умножения вектора на число. Первый распределительный закон.	ЭУМ И- типа	Видеофрагмент	http://www.fcior.edu.ru/card/14799/osnovnye-svoystva-umnozheniya-vektora-na-chislo-pervyy-raspredelitelnyy-zakon-i3.html
7	Основные свойства умножения вектора на число. Второй распределительный закон.	ЭУМ И- типа	Видеофрагмент	http://www.fcior.edu.ru/card/14166/osnovnye-svoystva-umnozheniya-vektora-na-chislo-vtoroy-raspredelitelnyy-zakon-i4.html

Приложение к плану- конспекту урока

Произведение вектора на число

Этап урока №2. Актуализация опорных знаний по готовым чертежам:

1. ABCD – параллелограмм. Назовите пары: а) коллинеарных векторов; б) сонаправленных векторов; в) противоположно направленных векторов; г) равных векторов.

5. ABCD – трапеция. Выразить вектор через векторы

Этап урока №3.

Вопросы:

Какой смысл числа в формуле, связывающей скорость пешехода со скоростью грузовой машины?
Какой смысл числа –m в формуле, связывающей скорость машины со скоростью пешехода?
Какой вектор называется произведением вектора на число?
Могут ли векторы быть неколлинеарными?

Этап урока №9.

Карточка:

Unit Vectors Video Tutorial & Practice

Воспроизвести видео:

Было ли это полезно?

Эй, ребята, иногда вы будете сталкиваться с задачами, в которых вы видите векторы, представленные с помощью специальной нотации с кучей глаз и соек, и они называются единичными векторами. Итак, в этом видео я покажу вам, что представляют собой эти единичные векторы и, что более важно, как они помогают нам описывать и выполнять векторные математические операции с векторами. Ну, попроще, проверим. Итак, ребята, давайте придумаем самый простой способ описать вектор. У нас есть графика, в которой уже есть сетки и квадраты. Мы можем взять этот вектор, разбить его на части и просто подсчитать клетки. Это три и четыре, а затем мы могли бы использовать наши уравнения, такие как теорема Пифагора, чтобы выяснить, что это пять и угол равен 53 градусам. Теперь другой способ, которым мы могли бы описать вектор, — это уже указать величину и направление, например, пять и 53 градуса, которые мы должны просто нарисовать из этого вектора. Таким образом, положительный X и положительный. Почему? И тогда у нас были бы наши 5 м здесь при 53 градусах. Теперь, если мы используем одну из сторон, мы должны просто использовать наши расчетные уравнения или уравнения компонентов или уравнения разложения, чтобы выяснить, что такое стороны треугольника. Данные береговой линии, знаковые данные. А у нас просто три и четыре. Сейчас. Последний способ представления векторов — это использование этой странной записи с кучей глаз и соек, а также обращение к этим воздухом как к единичным векторам. И что здесь происходит, ребята, так это то, что эти единичные векторы — это просто особые виды векторов, которые указывают в направлении, и они также имеют величину или длину, равную единице. Итак, вот что происходит. Если у вас есть вектор, то это три I плюс четыре плюс четыре J. Все, что на самом деле происходит, это то, что I указывает на плюс направления X, J указывает на плюс y, а K указывает на плюсы. Поэтому каждый раз, когда вы видите I XJS и Kay’s, просто думайте о X, Y и Z, физики придумали эту систему давным-давно. Они думали, что это, знаете, они думали, что у вас недостаточно запутанных букв, поэтому они решили добавить туда кучу глаз J и K. Так, например, если у нас есть три I и Forge A, все, что на самом деле говорит, это идти три в направлении глаз. Итак, у нас есть один, 23 Так что здесь их трое. А затем идите четыре и в направлении J или Y. Итак, отсюда 1234. А это Джей-Джей. Джей Джей, у тебя их будет четыре. Это все, что происходит. Итак, если вы хотите построить вектор, это всего лишь три и четыре, и так что наши результаты, и это будет просто от кончика до хвоста, вот так. И это будет пять, потому что это, по сути, уже дает нам стороны треугольника. Три в Х и четыре и мудрые величины пять, а наш угол равен 53 градусам. Итак, ребята, все эти вещи — просто разные способы описания одного и того же вектора. Вот что здесь происходит. Вот и все единичные векторы. Таким образом, вы можете думать об этих глазах и глазах Джея как о сторонах треугольника. Вот о чем вам говорят эти вещи. Хорошо, ребята. Итак, единичные векторы действительно очень полезны, так это сделать векторное издание супер простым. Давайте проверим это. Используя этот пример здесь, у нас есть эти два вектора A и B. Мы собираемся нарисовать их и вычислить их результат в форме единичного вектора. Итак, у меня есть четыре I и два J. Итак, в основном, я собираюсь пойти один, 234 и направление X, я собираюсь быть X, а затем два в направлении J или Y. Итак, раз, потом два. Итак, это прямо здесь дает нам мой A А вот это мой X и мой A y правильно. Здесь просто компоненты этого вектора, но у меня это в терминах единичного вектора. Так что это всего лишь четыре «я», и это слишком Джей. Теперь давайте проделаем то же самое для B. B отрицательное, I Итак, если положительное I указывает на положительное отрицательное извлечение, я собирался указать налево или отрицательное направление X. Итак, у нас есть один слева, и мы должны подняться. Мы собираемся пойти один и затем два. Так что вот здесь будет мой B X, а здесь будет мой B y. И тогда вектор просто будет указывать от начала до конца вот так. Теперь, если мы хотим выполнить сложение векторов, мы должны выполнить все шаги. Вы должны сделать таблицу и все такое прочее, разложить эти вещи и затем сложить их вместе. Но модуль Vector Edition делает это очень простым. Так, например, если у нас есть ослабление этого вектора, просто опишите его с точки зрения его компонентов I и J или его компонентов X и Y. И я мог бы просто сказать, что этот вектор равен четырем глазам I плюс два j, а затем вектор B будет отрицательным. I плюс два j Итак, если мы хотим найти результат в векторе, то есть сложение A и B, у меня уже есть компоненты X и Y. И помните, что когда у нас есть компоненты X и Y, мы просто добавляем их вниз. Мы просто добавляем их вертикально в таблицу. Это в основном уже делает это для нас. Итак, мой a плюс B, что мы могли бы подумать об этом, так это то, что я просто делаю X плюс b X, и это будет в новом направлении X, а затем я собираюсь сделать свой a y плюс мой B y, и это будет в направлении J или новом направлении Y. Итак, например, эти новые результаты в векторе: если я хочу получить результирующий вектор в форме единичного вектора, я просто сделаю четыре I плюс отрицательное J или отрицательное I или отрицательное I, и это будет в новом направлении I. Плюс, на самом деле, подождите секунду. У меня есть эти глаза. Я в основном просто собираюсь сделать четыре минус один в направлении глаз. Плюс теперь у меня есть два плюс два Итак, два плюс два в направлении J. Итак, у меня три I плюс четыре j И что с того? Это будет выглядеть так же, как мой результат в Vector, потому что я пойду на три в направлении глаз, а затем на четыре вверх, чтобы мой новый вектор выглядел так. Это будет мой результирующий вектор. И это имеет смысл, потому что, если бы я сложил эти два вектора A и B вместе, кончик к хвосту, мне пришлось бы переместить вектор B таким образом. Это один слева и один вверх, и я бы получил точно такое же направление, так что в основном я бы получил тот же самый точный вектор. Так что это просто еще один способ описать ah-вектор, используя компоненты единичного вектора. Ладно, ребята, на этом все. Дайте знать, если у вас появятся вопросы.

Нежное введение в torch.autograd — PyTorch Tutorials 2.0.0+cu117 документация

Ярлыки

torch.autograd — это механизм автоматической дифференциации PyTorch, который обеспечивает обучение нейронной сети. В этом разделе вы получите концептуальную понимание того, как автоград помогает обучать нейросеть.

Общие сведения

Нейронные сети (NN) представляют собой набор вложенных функций, выполняется на некоторых входных данных. Эти функции определяются параметры (состоящие из весов и смещений), которые в PyTorch хранятся в тензоры.

Обучение NN происходит в два этапа:

Прямое распространение : При прямом продвижении NN делает наилучшее предположение о правильном выводе. Он пропускает входные данные через каждый из своих функции, чтобы сделать это предположение.

Обратное распространение : При обратном распространении NN настраивает свои параметры пропорциональна ошибке в его предположении. Он делает это, пересекая назад от вывода, собирая производные ошибки с относительно параметров функций (

градиенты ) и оптимизация параметры с помощью градиентного спуска. Для более подробного прохождения backprop, посмотрите это видео с 3Синий1Коричневый.

Использование в PyTorch

Давайте рассмотрим один шаг обучения. В этом примере мы загружаем предварительно обученную модель resnet18 из torchvision . Мы создаем тензор случайных данных для представления одного изображения с 3 каналами, высотой и шириной 64, и соответствующая ему метка , инициализированная некоторыми случайными значениями. Метка в предварительно обученных моделях имеет форма (11000).

Примечание

Этот туториал работает только на CPU и не будет работать на GPU (даже если тензоры будут перемещены в CUDA).

 импортная горелка
из torchvision.models импортировать resnet18, ResNet18_Weights
модель = resnet18 (веса = ResNet18_Weights.DEFAULT)
данные = torch.
  rand(1, 3, 64, 64)
метки = torch.rand(1, 1000)

Загрузка: «https://download.pytorch.org/models/resnet18-f37072fd.pth» в /var/lib/jenkins/.cache/torch/hub/checkpoints/resnet18-f37072fd.pth 0%| | 0,00/44,7M [00:00

Затем мы пропускаем входные данные через модель через каждый из ее слоев, чтобы сделать прогноз. Это прямой проход .

Мы используем прогноз модели и соответствующую метку для расчета ошибки ( потери ). Следующим шагом является обратное распространение этой ошибки по сети. Обратное распространение запускается, когда мы вызываем .backward() для тензора ошибок. Затем Autograd вычисляет и сохраняет градиенты для каждого параметра модели в 9 параметрах.0015 .град атрибут.

Затем мы загружаем оптимизатор, в данном случае SGD со скоростью обучения 0,01 и импульсом 0,9.

Прописываем все параметры модели в оптимизаторе.

Наконец, мы вызываем .step() , чтобы инициировать градиентный спуск. Оптимизатор настраивает каждый параметр по его градиенту, хранящемуся в .grad .

 optim.step() #градиентный спуск

На данный момент у вас есть все необходимое для обучения вашей нейронной сети. В следующих разделах подробно описывается работа autograd — не стесняйтесь их пропускать.

Дифференциация в Автограде

Давайте посмотрим, как автоград собирает градиенты. Мы создаем два тензора a и b с требует_град=Истина . Это сигнализирует автограду о том, что каждая операция на них должна отслеживаться.

 импортная горелка
a = torch.tensor([2., 3.], require_grad=True)
b = torch.tensor([6., 4.], require_grad=True)

Создаем еще один тензор Q из a 92 \]

\[\frac{\partial Q}{\partial b} = -2b \]

Когда мы вызываем . backward() на Q , autograd вычисляет эти градиенты и сохраняет их в атрибуте .grad соответствующего тензора.

Нам нужно явно передать аргумент градиента в Q.backward() , потому что это вектор. градиент — это тензор той же формы, что и Q , и он представляет градиент Q относительно себя, т.е.

\[\frac{dQ}{dQ} = 1 \]

Эквивалентно, мы также можем агрегировать Q в скаляр и неявно вызывать обратно, например Q.sum().backward() .

Градиенты теперь хранятся в a.grad и b.grad

 # проверьте правильность собранных градиентов
print(9*a**2 == a.grad)
печать (-2 * b == b.grad)

 тензор([Истина, Истина])
тензор([Истина, Истина])

`Дополнительное чтение — векторное исчисление с использованием`

autograd Математически, если у вас есть функция с векторным значением \(\vec{y}=f(\vec{x})\), то градиент \(\vec{y}\) с относительно \(\vec{x}\) является матрицей Якоби \(J\): \[Дж "=" \left(\begin{массив}{cc} \ гидроразрыв {\ парциальное \ bf {у}} {\ парциальное х_ {1}} & . {T}\cdot \vec{v}\) 9{T}\cdot \vec{v}=\left(\begin{массив}{ccc} \frac{\partial y_{1}}{\partial x_{1}} & \cdots & \frac{\partial y_{m}}{\partial x_{1}}\\ \vdots & \ddots & \vdots\\ \frac{\partial y_{1}}{\partial x_{n}} & \cdots & \frac{\partial y_{m}}{\partial x_{n}} \end{массив}\right)\left(\begin{массив}{c} \ гидроразрыв {\ парциальное л} {\ парциальное у_ {1}} \\ \vdots\\ \ гидроразрыв {\ парциальное л} {\ парциальное у_ {м}} \end{массив}\right)=\left(\begin{массив}{c} \ гидроразрыв {\ парциальное л} {\ парциальное х_ {1}} \\ \vdots\\ \ гидроразрыв {\ парциальное л} {\ парциальное х_ {п}} \конец{массив}\справа)\] Эту характеристику векторно-якобианского произведения мы используем в приведенном выше примере; external_grad представляет \(\vec{v}\). Computational Graph Концептуально, autograd ведет учет данных (тензоров) и всех выполненных операций (вместе с полученными новыми тензорами) в направленном ациклическом граф (DAG), состоящий из Функция объекты. В этом DAG листья — это входные тензоры, корни — это выходные данные. тензоры. Проследив этот график от корней к листьям, вы можете автоматически вычислить градиенты, используя цепное правило. При прямом проходе autograd делает две вещи одновременно: Обратный проход начинается, когда .backward() вызывается в DAG корень. autograd then: вычисляет градиенты от каждого .grad_fn , накапливает их в атрибуте .grad соответствующего тензора, а , используя цепное правило, распространяется до листовых тензоров. Ниже представлено визуальное представление группы обеспечения доступности баз данных в нашем примере. На графике стрелки указывают направление прямого прохода. Узлы представляют обратные функции каждой операции в прямом проходе. Листовые узлы, выделенные синим цветом, представляют наши листовые тензоры a и b . Примечание DAG являются динамическими в PyTorch Важно отметить, что график воссоздан с нуля; после каждого .backward() вызов, автоград начинает заполнять новый граф. Это именно то, что позволяет вам использовать операторы потока управления в вашей модели; вы можете изменить форму, размер и операции на каждой итерации, если нужный. Исключение из DAG torch.autograd отслеживает операции над всеми тензорами, имеющими свои флаг required_grad установлен на True . Для тензоров, не требующих градиенты, установка для этого атрибута значения False исключает его из вычисление градиента DAG. Выходной тензор операции потребует градиентов, даже если только тензор с одним входом имеет require_grad=True . х = факел.rand(5, 5) y = факел.rand(5, 5) z = torch.rand((5, 5), require_grad=True) а = х + у print(f"Требуются ли для `a` градиенты? : {a. requires_grad}") б = х + г print(f"Требуются ли для `b` градиенты?: {b.requires_grad}") Требуются ли для `a` градиенты? : ЛОЖЬ Требует ли `b` градиенты?: True В NN параметры, которые не вычисляют градиенты, обычно называются замороженными параметрами . Полезно «заморозить» часть вашей модели, если вы заранее знаете, что градиенты этих параметров вам не понадобятся. (это дает некоторые преимущества в производительности за счет сокращения автоматических вычислений). При точной настройке мы замораживаем большую часть модели и обычно модифицируем только слои классификатора, чтобы делать прогнозы для новых меток. Давайте рассмотрим небольшой пример, чтобы продемонстрировать это. Как и прежде, мы загружаем предварительно обученную модель resnet18 и замораживаем все параметры. Допустим, мы хотим настроить модель на новом наборе данных с 10 метками. В реснете классификатором является последний линейный слой model.fc . Мы можем просто заменить его новым линейным слоем (по умолчанию не замороженным). который действует как наш классификатор. Теперь все параметры в модели, кроме параметров model.fc , заморожены. Единственными параметрами, которые вычисляют градиенты, являются веса и смещения model.fc . Обратите внимание, хотя мы прописываем все параметры в оптимизаторе, единственные параметры, которые вычисляют градиенты (и, следовательно, обновляются при градиентном спуске) являются весами и смещением классификатора. Те же исключающие функции доступны в менеджере контекста в torch.no_grad() Дальнейшие чтения: Операции на месте и многопоточность Autograd Пример реализации автодиффа в обратном режиме Общее время работы скрипта: ( 0 минут 0,932 секунды) Загрузить исходный код Python: autograd_tutorial.py Загрузить блокнот Jupyter: autograd_tutorial.ipynb Галерея, созданная Sphinx-Gallery ' document.No related posts.