인프런 커뮤니티 질문&답변
작성한 질문수
실제 캐글 문제 풀고 제출해보며 성능 개선 기법 익히기8 강의에서 질문입니다
해결된 질문
작성
·
152
0
실제 캐글 문제 풀고 제출해보며 성능 개선 기법 익히기8 강의의 3:20 부분에서 궁금한 점이 있어 질문 올립니다.
해당 코드에서는 저장된 model_efficientnet-b7_without_scheduler_adam_1e5_epoch20.pth 모델을 load할 때,
model_efficientb7 = deepcopy(model)
PATH = '/content/drive/MyDrive/Colab Notebooks/Dataset/Dogs vs Cats/'
model_efficientb7.load_state_dict(torch.load(PATH + 'model_efficientnet-b7_without_scheduler_adam_1e5_epoch20.pth'))다음과 같이 model의 뼈대를 다시 구성한 후, load_state_dict 메소드를 이용하여 가중치 값을 업데이트 하였습니다.
이때,
model_efficientb7 = deepcopy(model) 와 같이 그냥 model 객체가 아닌,
deepcopy(model)을 사용한 특별한 이유가 있는지 궁금합니다.
deepcopy를 사용할 경우,
'model_efficientb7'과 'model' 객체는 서로 독립적인 객체로 유지된다는 점은 파악할 수 있었는데요,
model_efficientb7에 적용되는 변화와는 별개로 model 객체 자체를 유지하려는 의도에서 사용한 것이라고 보면 되는지 여쭙고 싶습니다!
답변 1
0
안녕하세요. 답변 도우미입니다.
우선 말씀하신 부분이 맞습니다.
deepcopy를 사용하는 주된 이유는 원본 객체와 완전히 분리된 새 객체를 만들기 위해서입니다. 이 경우, model_efficientb7 객체에 가중치를 로드하더라도 원본 model 객체에는 영향을 주지 않습니다.
파이토치(PyTorch)에서 모델의 가중치를 로드할 때 load_state_dict 메소드를 사용하는데, 이 메소드는 원본 모델 객체의 파라미터를 로드한 가중치로 업데이트합니다. 만약 원본 모델 객체에 직접 load_state_dict를 사용하면, 그 객체가 나중에 다른 목적으로 사용되어야 할 때 문제가 발생할 수 있습니다. 예를 들어, 여러 가지 가중치를 실험해보거나, 기존 모델을 바탕으로 추가 학습을 진행하는 등의 경우에 원본 모델을 보존하는 것이 중요할 수 있습니다.
따라서, deepcopy를 사용하여 원본 모델 객체를 복사하고, 이 복사본에 새로운 가중치를 로드하면, 원본 모델은 그대로 유지되면서 다른 가중치로 실험을 계속할 수 있는 장점이 있습니다. 이러한 접근 방식은 모델의 상태를 다양하게 변형시켜가며 실험하는 머신러닝의 흔한 시나리오에 유용합니다.
결론적으로, deepcopy를 사용함으로써 model_efficientb7에 가중치를 로드하더라도 원본 model 객체의 상태를 변경하지 않고 유지할 수 있기 때문에, 이후에 model 객체를 다른 목적으로 사용하고자 할 때 유연성을 보장받을 수 있습니다.
감사합니다.