इमेज क्लासिफायर्स का प्रशिक्षण

इंटरमीडिएट Deep Learning with PyTorch

Michal Oleszak

Machine Learning Engineer

डेटा ऑग्मेंटेशन: पुनरावलोकन

एक बिल्ली की छवि.

डेटा ऑग्मेंटेशन: पुनरावलोकन

क्षैतिज रूप से पलटी और घुमाई गई बिल्ली की छवि.

क्या ऑग्मेंट नहीं करना चाहिए

पीला नींबू और हरा लाइम रंग को छोड़कर एक जैसे दिखते हैं.

क्या ऑग्मेंट नहीं करना चाहिए

पीला नींबू और हरा लाइम रंग को छोड़कर एक जैसे दिखते हैं.

क्या ऑग्मेंट नहीं करना चाहिए

अक्षर "W" को वर्टिकल फ्लिप करने पर वह "M" जैसा लगता है.

ऑग्मेंटेशन लेबल को बदल सकते हैं
यह भ्रमित करता है या नहीं, यह टास्क पर निर्भर है
हमेशा डेटा और टास्क को ध्यान में रखकर ऑग्मेंटेशन चुनें!

क्लाउड क्लासिफिकेशन के लिए ऑग्मेंटेशन

क्लाउड तस्वीरों का एक सैंपल.

Random rotation: मॉडल को बादलों के अलग-अलग एंगल दिखाएँ
Horizontal flip: आसमान के अलग-अलग व्यू-पॉइंट्स का सिमुलेशन करें
Auto contrast adjustment: अलग-अलग लाइटिंग कंडीशंस का सिमुलेशन करें

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

क्रॉस-एंट्रॉपी लॉस

बाइनरी क्लासिफिकेशन: बाइनरी क्रॉस-एंट्रॉपी (BCE) लॉस
मल्टी-क्लास क्लासिफिकेशन: क्रॉस-एंट्रॉपी लॉस
criterion = nn.CrossEntropyLoss()

इमेज क्लासिफायर ट्रेनिंग लूप

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()

अभ्यास करते हैं!

इंटरमीडिएट Deep Learning with PyTorch