Багатовхідні моделі

Середній рівень Deep Learning з PyTorch

Michal Oleszak

Machine Learning Engineer

Навіщо кілька входів?

Використання більшої кількості інформації

Схема моделі, що отримує два зображення авто як вхід і дає один вихід.

Мультимодальні моделі

Схема моделі, що приймає зображення та фрагмент тексту як вхід і генерує текстовий вихід.

Metric learning

Схема моделі, що приймає два зображення облич як вхід і прогнозує, чи це одна й та сама особа.

Self-supervised learning

Схема моделі, що отримує дві аугментовані версії одного зображення як вхід і навчається, що це те саме.

Набір даних Omniglot

Приклади зображень із набору даних 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.

Класифікація символів

Схема моделі: зображення символу подається в нейронну мережу.

Класифікація символів

Схема моделі: one-hot-вектор алфавіту подається в нейронну мережу.

Класифікація символів

Схема моделі: ембеддинги символу та алфавіту обʼєднуються.

Класифікація символів

Схема моделі: з обʼєднаних ембеддингів класифікатор прогнозує символ.

Набір даних із двома входами

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

Призначте samples і перетворення

print(samples[0])

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

Реалізуйте __len__()
Завантажте й перетворіть зображення
Поверніть обидва входи й мітку

Конкатенація тензорів

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

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

Конкатенація вздовж осі 0

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

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

Конкатенація вздовж осі 1

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

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

Архітектура з двома входами

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), 
        )

Визначте шар обробки зображення
Визначте шар обробки алфавіту
Визначте шар класифікатора

Архітектура з двома входами

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)

Пропустіть зображення через шар зображення
Пропустіть алфавіт через відповідний шар
Обʼєднайте виходи зображення й алфавіту
Пропустіть результат через класифікатор

Цикл навчання

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()

Навчальні дані складаються з трьох елементів:
- Зображення
- Вектор алфавіту
- Мітки
Ми подаємо моделі зображення та алфавіти

Давайте потренуємось!

Середній рівень Deep Learning з PyTorch