Çoklu çıktı modelleri

PyTorch ile Orta Düzey Deep Learning

Michal Oleszak

Machine Learning Engineer

Neden çoklu çıktı?

Çok görevli öğrenme Model şeması: girdi olarak bir araba görüntüsü, iki çıktı olarak marka ve model.

Çok etiketli sınıflandırma Model şeması: girdi tek görüntü, çıktılar birden çok tahmin.

Düzenlileştirme Model şeması: birden çok katman bloğu, her birinden sonra bir çıktı tahmin edilir.

Karakter ve alfabe sınıflandırma

Model şeması: karakter görüntüsü bir sinir ağına verilir.

Karakter ve alfabe sınıflandırma

Model şeması: iki sınıflandırıcı, görüntü gömlemesinden karakteri ve alfabeyi sınıflandırır.

İki çıktılı Dataset

class OmniglotDataset(Dataset):
    def __init__(self, transform, samples):
        self.transform = transform
        self.samples = samples

    def __len__(self):
        return len(self.samples)

    def __getitem__(self, idx):
        img_path, alphabet, label = \
            self.samples[idx]
        img = Image.open(img_path).convert('L')
        img = self.transform(img)
        return img, alphabet, label

Aynı Dataset’i kullanabiliriz...
...güncellenmiş örneklerle:

  print(samples[0])

  [(
    'omniglot_train/.../0459_14.png',
     0,
     0,
   )]

İki çıktılı mimari

class Net(nn.Module):
    def __init__(self, num_alpha, num_char):
        super().__init__()
        self.image_layer = nn.Sequential(
            nn.Conv2d(1, 16, kernel_size=3, padding=1),
            nn.MaxPool2d(kernel_size=2),
            nn.ELU(),
            nn.Flatten(),
            nn.Linear(16*32*32, 128)
        )

        self.classifier_alpha = nn.Linear(128, 30)
        self.classifier_char = nn.Linear(128, 964)


    def forward(self, x):
        x_image = self.image_layer(x)

        output_alpha = self.classifier_alpha(x_image)
        output_char = self.classifier_char(x_image)

        return output_alpha, output_char

Görüntü işleme alt ağı tanımlayın
Çıktıya özel sınıflandırıcıları tanımlayın
Görüntüyü alt ağdan geçirin
Sonucu her çıktı katmanından geçirin
Her iki çıktıyı döndürün

Eğitim döngüsü

for epoch in range(10):
    for images, labels_alpha, labels_char \
    in dataloader_train:
        optimizer.zero_grad()
        outputs_alpha, outputs_char = net(images)

        loss_alpha = criterion(
          outputs_alpha, labels_alpha
        )
        loss_char = criterion(
          outputs_char, labels_char
        )

        loss = loss_alpha + loss_char

        loss.backward()
        optimizer.step()

Model iki çıktı üretir
Her çıktı için kaybı hesaplayın
Kayıpları tek toplam kayıpta birleştirin
Toplam kayıpla geri yayılım ve optimizasyon yapın

Hadi pratik yapalım!

PyTorch ile Orta Düzey Deep Learning