Werken met vooraf getrainde modellen

Deep Learning voor afbeeldingen met PyTorch

Michal Oleszak

Machine Learning Engineer

Vooraf getrainde modellen benutten

Modellen vanaf nul trainen:
- Duurt lang
- Vereist veel data
Vooraf getrainde modellen - al getraind voor een taak
- Direct herbruikbaar voor een nieuwe taak
- Vereisen afstemming op de nieuwe taak (transfer learning)
Stappen om vooraf getrainde modellen te gebruiken:
- Modellen lokaal opslaan & laden
- torchvision-modellen downloaden

Een volledig PyTorch-model opslaan

torch.save()
Model-extensie: .pt of .pth

Modelgewichten opslaan met .state_dict()

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

PyTorch-modellen laden

Nieuw model instantiëren
```
new_model = BinaryCNN()
```

Opgeslagen parameters laden

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

`torchvision`-modellen downloaden

from torchvision.models import (
    resnet18, ResNet18_Weights
)


weights = ResNet18_Weights.DEFAULT

model = resnet18(weights=weights)

transforms = weights.transforms()

resnet-architectuur en -gewichten importeren
Gewichten ophalen
Model instantieren met gewichten
Vereiste datatransforms opslaan

Nieuwe invoerafbeeldingen voorbereiden

from PIL import Image

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

image_tensor = transform(image)

image_reshaped = image_tensors.unsqueeze(0)

kattenafbeelding

Afbeelding laden
Afbeelding transformeren
Afbeelding reshapen

Een nieuwe voorspelling genereren

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

Evaluatiemodus voor inferentie
Gradients uitschakelen
Afbeelding door model, batchdimensie verwijderen
Softmax toepassen
Klasse met hoogste kans kiezen en index ophalen
Klasse-index naar label mappen
Klasselabel printen

Laten we oefenen!

Deep Learning voor afbeeldingen met PyTorch