Modele z wieloma wejściami

Głębokie uczenie z PyTorch – poziom średnio zaawansowany

Michal Oleszak

Machine Learning Engineer

Dlaczego wiele wejść?

Więcej informacji

Schemat modelu przyjmującego dwa obrazy samochodów jako wejścia i produkującego jedno wyjście.

Modele multimodalne

Schemat modelu przyjmującego obraz i fragment tekstu jako wejścia i produkującego wyjście tekstowe.

Uczenie metryczne

Schemat modelu przyjmującego dwa obrazy twarzy jako wejścia i przewidującego, czy należą do tej samej osoby.

Uczenie samo-nadzorowane

Schemat modelu przyjmującego dwie augmentowane wersje tego samego obrazu jako wejścia i uczącego się, że są takie same.

Zbiór danych Omniglot

Przykładowe obrazy ze zbioru danych 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.

Klasyfikacja znaków

Schemat modelu: obraz znaku przekazywany do sieci neuronowej.

Klasyfikacja znaków

Schemat modelu: wektor alfabetu one-hot przekazywany do sieci neuronowej.

Klasyfikacja znaków

Schemat modelu: osadzenia znaku i alfabetu są łączone.

Klasyfikacja znaków

Schemat modelu: z połączonych osadzeń klasyfikator przewiduje znak.

Zbiór danych z dwoma wejściami

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

Przypisanie próbek i transformacji

print(samples[0])

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

Implementacja __len__()
Wczytanie i transformacja obrazu
Zwrócenie obu wejść i etykiety

Konkatenacja tensorów

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

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

Konkatenacja wzdłuż osi 0

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

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

Konkatenacja wzdłuż osi 1

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

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

Architektura z dwoma wejściami

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), 
        )

Definiowanie warstwy przetwarzania obrazu
Definiowanie warstwy przetwarzania alfabetu
Definiowanie warstwy klasyfikatora

Architektura z dwoma wejściami

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)

Przekazanie obrazu przez warstwę obrazu
Przekazanie alfabetu przez warstwę alfabetu
Konkatenacja wyjść obrazu i alfabetu
Przekazanie wyniku przez klasyfikator

Pętla treningowa

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()

Dane treningowe składają się z trzech elementów:
- Obraz
- Wektor alfabetu
- Etykiety
Do modelu przekazujemy obrazy i alfabety

Czas na ćwiczenia!

Głębokie uczenie z PyTorch – poziom średnio zaawansowany