多输入模型

PyTorch 深度学习进阶

Michal Oleszak

Machine Learning Engineer

为何使用多输入？

利用更多信息

模型示意图：模型接收两张汽车图像作为输入，输出一个结果。

多模态模型

模型示意图：模型接收一张图像和一段文本为输入，输出文本。

度量学习

模型示意图：模型接收两张人脸作为输入，判断是否同一人。

自监督学习

模型示意图：模型接收同一图像的两种增强版本，学习它们相同。

Omniglot 数据集

Omniglot 数据集的示例图像。

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

字符分类

模型示意图：将字符图像输入神经网络。

字符分类

模型示意图：将独热编码的字母表向量输入神经网络。

字符分类

模型示意图：合并字符与字母表的嵌入。

字符分类

模型示意图：分类器基于合并后的嵌入预测字符。

双输入 Dataset

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

赋值样本与变换

print(samples[0])

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

实现 __len__()
加载并变换图像
返回两个输入和标签

张量拼接

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

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

沿轴 0 拼接

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

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

沿轴 1 拼接

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

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

双输入架构

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), 
        )

定义图像处理层
定义字母表处理层
定义分类器层

双输入架构

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)

图像经图像层
字母表经字母表层
拼接两者输出
经分类器得到结果

训练循环

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()

训练数据含三部分：
- 图像
- 字母表向量
- 标签
向模型传入图像与字母表

开始练习吧！

PyTorch 深度学习进阶