Modely s více vstupy

Intermediate Deep Learning with PyTorch

Michal Oleszak

Machine Learning Engineer

Proč více vstupů?

Využití více informací

Schéma modelu, který přijímá dva obrázky auta jako vstupy a produkuje jeden výstup.

Multimodální modely

Schéma modelu, který přijímá obrázek a text jako vstupy a produkuje textový výstup.

Metric learning

Schéma modelu, který přijímá dva obrázky tváří a předpovídá, zda jde o stejnou osobu.

Self-supervised learning

Schéma modelu, který přijímá dvě augmentované verze stejného obrázku a učí se, že jsou identické.

Dataset Omniglot

Ukázka obrázků z datasetu Omniglot.

¹ Lake, B. M., Salakhutdinov, R., and Tenenbaum, J. B. (2015). Human-level concept learning through probabilistic program induction. Science, 350(6266), 1332-1338.

Klasifikace znaků

Schéma modelu: obrázek znaku je předán neuronové síti.

Klasifikace znaků

Schéma modelu: one-hot vektor abecedy je předán neuronové síti.

Klasifikace znaků

Schéma modelu: embeddingy znaku a abecedy jsou sloučeny.

Klasifikace znaků

Schéma modelu: z kombinovaných embeddingů klasifikátor předpovídá znak.

Dataset se dvěma vstupy

from PIL import Image

class OmniglotDataset(Dataset):

    def __init__(self, transform, samples):
        self.transform = transform
        self.samples = samples


    def __len__(self):
        return len(self.samples)


    def __getitem__(self, idx):
        img_path, alphabet, label = self.samples[idx]
        img = Image.open(img_path).convert('L')
        img = self.transform(img)
        return img, alphabet, label

Přiřazení vzorků a transformací

print(samples[0])

[(
  'omniglot_train/.../0459_14.png',
   array([1., 0., 0., ..., 0., 0., 0.]),
   0
 )]

Implementace __len__()
Načtení a transformace obrázku
Vrácení obou vstupů a labelu

Zřetězení tenzorů

x = torch.tensor([
  [1, 2, 3],
])

y = torch.tensor([
  [4, 5, 6],
])

Zřetězení podél osy 0

torch.cat((x, y), dim=0)

[[1, 2, 3],
 [4, 5, 6]]

Zřetězení podél osy 1

torch.cat((x, y), dim=1)

[[1, 2, 3, 4, 5, 6]]

Architektura se dvěma vstupy

class Net(nn.Module):
    def __init__(self):
        super().__init__()

        self.image_layer = nn.Sequential(
            nn.Conv2d(1, 16, kernel_size=3, padding=1),
            nn.MaxPool2d(kernel_size=2),
            nn.ELU(),
            nn.Flatten(),
            nn.Linear(16*32*32, 128)
        )

        self.alphabet_layer = nn.Sequential(
            nn.Linear(30, 8),
            nn.ELU(),
        )

        self.classifier = nn.Sequential(
            nn.Linear(128 + 8, 964), 
        )

Definice vrstvy pro zpracování obrázku
Definice vrstvy pro zpracování abecedy
Definice klasifikační vrstvy

Architektura se dvěma vstupy

def forward(self, x_image, x_alphabet):

    x_image = self.image_layer(x_image)

    x_alphabet = self.alphabet_layer(x_alphabet)

    x = torch.cat((x_image, x_alphabet), dim=1)

    return self.classifier(x)

Předání obrázku přes obrazovou vrstvu
Předání abecedy přes abecedu vrstvu
Zřetězení výstupů obrázku a abecedy
Předání výsledku klasifikátoru

Trénovací smyčka

net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.01)

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

Trénovací data obsahují tři položky:
- Obrázek
- Vektor abecedy
- Labely
Modelu předáváme obrázky a abecedy

Lass uns üben!

Intermediate Deep Learning with PyTorch