Beeldclassificatiemodellen trainen

Gevorderde Deep Learning met PyTorch

Michal Oleszak

Machine Learning Engineer

Data-augmentatie herhaald

Afbeelding van een kat.

Data-augmentatie herhaald

Kat horizontaal gespiegeld en gedraaid.

Wat je niet moet augmenteren

Gele citroen en groene limoen zien er hetzelfde uit, alleen de kleur verschilt.

Wat je niet moet augmenteren

Gele citroen en groene limoen zien er hetzelfde uit, alleen de kleur verschilt.

Wat je niet moet augmenteren

De letter "W" lijkt na verticaal spiegelen op de letter "M".

Augmentaties kunnen het label beïnvloeden
Of dit verwarrend is, hangt van de taak af
Kies augmentaties altijd passend bij data en taak

Augmentaties voor wolkenclassificatie

Een selectie wolkenfoto’s.

Willekeurige rotatie: laat het model verschillende hoeken van wolken zien
Horizontaal spiegelen: simuleer andere gezichtspunten
Auto-contrast: simuleer verschillende lichtomstandigheden

train_transforms = transforms.Compose([
    transforms.RandomHorizontalFlip(),
    transforms.RandomRotation(45),
    transforms.RandomAutocontrast(),
    transforms.ToTensor(),
    transforms.Resize((128, 128))
])

Cross-entropy-loss

Binaire classificatie: binary cross-entropy (BCE)-loss
Multiklasse-classificatie: cross-entropy-loss
criterion = nn.CrossEntropyLoss()

Trainingslus voor beeldclassificatie

net = Net(num_classes=7)

criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001)


for epoch in range(10):
    for images, labels in dataloader_train:
        optimizer.zero_grad()
        outputs = net(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

Laten we oefenen!

Gevorderde Deep Learning met PyTorch