Huấn luyện bộ phân loại ảnh

Deep Learning nâng cao với PyTorch

Michal Oleszak

Machine Learning Engineer

Ôn lại tăng cường dữ liệu

Ảnh một con mèo.

Ôn lại tăng cường dữ liệu

Ảnh mèo được lật ngang và xoay.

Không nên tăng cường điều gì

Chanh vàng và chanh xanh giống nhau, chỉ khác màu.

Không nên tăng cường điều gì

Chanh vàng và chanh xanh giống nhau, chỉ khác màu.

Không nên tăng cường điều gì

Chữ "W" sau khi lật dọc trông như chữ "M".

Tăng cường có thể ảnh hưởng nhãn
Mức độ gây nhiễu tùy bài toán
Luôn chọn tăng cường phù hợp dữ liệu và nhiệm vụ!

Tăng cường dữ liệu cho phân loại mây

Mẫu ảnh mây.

Xoay ngẫu nhiên: cho mô hình thấy nhiều góc mây khác nhau
Lật ngang: mô phỏng góc nhìn bầu trời khác
Tự động tăng tương phản: mô phỏng điều kiện sáng khác nhau

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

Hàm mất mát Cross-Entropy

Phân loại nhị phân: hàm mất mát binary cross-entropy (BCE)
Phân loại đa lớp: cross-entropy
criterion = nn.CrossEntropyLoss()

Vòng lặp huấn luyện bộ phân loại ảnh

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 nâng cao với PyTorch