Melatih pengklasifikasi gambar

Deep Learning Lanjutan dengan PyTorch

Michal Oleszak

Machine Learning Engineer

Tinjauan kembali augmentasi data

Gambar kucing.

Tinjauan kembali augmentasi data

Gambar kucing dibalik horizontal dan diputar.

Apa yang tidak boleh diaugmentasi

Lemon kuning dan jeruk nipis hijau tampak sama, hanya beda warna.

Apa yang tidak boleh diaugmentasi

Lemon kuning dan jeruk nipis hijau tampak sama, hanya beda warna.

Apa yang tidak boleh diaugmentasi

Huruf "W" setelah flip vertikal tampak seperti huruf "M".

Augmentasi dapat memengaruhi label
Apakah ini membingungkan tergantung tugasnya
Selalu pilih augmentasi sesuai data dan tugas!

Augmentasi untuk klasifikasi awan

Contoh foto awan.

Rotasi acak: kenalkan sudut formasi awan yang beragam
Flip horizontal: simulasikan sudut pandang langit berbeda
Penyesuaian autokontras: simulasikan kondisi pencahayaan berbeda

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

Loss Cross-Entropy

Klasifikasi biner: loss binary cross-entropy (BCE)
Klasifikasi multi-kelas: loss cross-entropy
criterion = nn.CrossEntropyLoss()

Loop pelatihan klasifikasi gambar

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()

Ayo berlatih!

Deep Learning Lanjutan dengan PyTorch