Önceden eğitilmiş modellerle çalışma

PyTorch ile Görüntüler için Deep Learning

Michal Oleszak

Machine Learning Engineer

Önceden eğitilmiş modellerden yararlanma

Modelleri sıfırdan eğitmek:
- Uzun süreç
- Çok veri gerektirir
Önceden eğitilmiş modeller - bir görevde zaten eğitilmiş modeller
- Yeni bir görevde doğrudan yeniden kullanılabilir
- Yeni göreve uyarlama gerekir (transfer öğrenme)
Önceden eğitilmiş modellerden yararlanma adımları:
- Modelleri yerelde kaydetme ve yükleme
- torchvision modellerini indirme

Tam bir PyTorch modelini kaydetme

torch.save()
Model uzantısı: .pt veya .pth

Ağırlıkları .state_dict() ile kaydet

torch.save(model.state_dict(), "BinaryCNN.pth")

PyTorch modellerini yükleme

Yeni bir model başlat
```
new_model = BinaryCNN()
```

Kaydedilen parametreleri yükle

new_model.load_state_dict(torch.load('BinaryCNN.pth'))

torchvision modellerini indirme

from torchvision.models import (
    resnet18, ResNet18_Weights
)


weights = ResNet18_Weights.DEFAULT

model = resnet18(weights=weights)

transforms = weights.transforms()

resnet mimarisi ve ağırlıkları içe aktar
Ağırlıkları al
Modele ağırlıkları vererek başlat
Gerekli veri dönüşümlerini kaydet

Yeni girdi görsellerini hazırlama

from PIL import Image

image = Image.open("cat013.jpg")

image_tensor = transform(image)

image_reshaped = image_tensors.unsqueeze(0)

kedi görseli

Görseli yükle
Görseli dönüştür
Görseli yeniden şekillendir

Yeni bir tahmin üretme

model.eval()


with torch.no_grad():

    pred = model(image_reshaped).squeeze(0)


pred_cls = pred.softmax(0)

cls_id = pred_cls.argmax().item()

cls_name = weights.meta["categories"][cls_id]


print(cls_name)

Egyptian cat

Çıkarım için değerlendirme modu
Gradyanları kapat
Görseli modele ver ve batch boyutunu kaldır
Softmax uygula
En olası sınıfı seç ve indeksini al
Sınıf indeksini etikete eşle
Sınıf etiketini yazdır

Ayo berlatih!

PyTorch ile Görüntüler için Deep Learning