Làm việc với mô hình tiền huấn luyện

Deep Learning cho Ảnh với PyTorch

Michal Oleszak

Machine Learning Engineer

Tận dụng mô hình tiền huấn luyện

Huấn luyện từ đầu:
- Mất nhiều thời gian
- Cần nhiều dữ liệu
Mô hình tiền huấn luyện - đã được huấn luyện cho một tác vụ
- Có thể dùng lại trực tiếp cho tác vụ mới
- Cần điều chỉnh cho tác vụ mới (học chuyển giao)
Các bước tận dụng mô hình tiền huấn luyện:
- Lưu & tải mô hình cục bộ
- Tải mô hình torchvision

Lưu mô hình PyTorch hoàn chỉnh

torch.save()
Phần mở rộng mô hình: .pt hoặc .pth

Lưu trọng số bằng .state_dict()

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

Tải mô hình PyTorch

Khởi tạo mô hình mới
```
new_model = BinaryCNN()
```

Tải tham số đã lưu

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

Tải mô hình torchvision

from torchvision.models import (
    resnet18, ResNet18_Weights
)


weights = ResNet18_Weights.DEFAULT

model = resnet18(weights=weights)

transforms = weights.transforms()

Nhập kiến trúc resnet và trọng số
Lấy trọng số
Khởi tạo mô hình với trọng số
Lưu các phép biến đổi dữ liệu cần thiết

Chuẩn bị ảnh đầu vào mới

from PIL import Image

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

image_tensor = transform(image)

image_reshaped = image_tensors.unsqueeze(0)

ảnh mèo

Tải ảnh
Biến đổi ảnh
Đổi hình dạng ảnh

Tạo dự đoán mới

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

Chế độ đánh giá cho suy luận
Tắt gradient
Đưa ảnh vào mô hình và bỏ chiều batch
Áp dụng softmax
Chọn lớp xác suất cao nhất và lấy chỉ số
Ánh xạ chỉ số lớp sang nhãn
In nhãn lớp

Ayo berlatih!

Deep Learning cho Ảnh với PyTorch