Навчання класифікаторів зображень

Середній рівень Deep Learning з PyTorch

Michal Oleszak

Machine Learning Engineer

Повертаємось до аугментації даних

Зображення кота.

Повертаємось до аугментації даних

Зображення кота, відзеркалене горизонтально й повернуте.

Що не варто аугментувати

Жовтий лимон і зелений лайм виглядають однаково, відрізняються лише кольором.

Що не варто аугментувати

Жовтий лимон і зелений лайм виглядають однаково, відрізняються лише кольором.

Що не варто аугментувати

Літера «W» після вертикального віддзеркалення виглядає як літера «M».

Аугментації можуть впливати на мітку
Чи це збиватиме з пантелику — залежить від завдання
Завжди добирайте аугментації з огляду на дані й завдання!

Аугментації для класифікації хмар

Вибірка фото хмар.

Випадкове обертання: показати моделі різні ракурси хмар
Горизонтальне віддзеркалення: змоделювати інші точки огляду неба
Автоконтраст: змоделювати різне освітлення

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

Функція втрат Cross-Entropy

Бінарна класифікація: втрата binary cross-entropy (BCE)
Багатокласова класифікація: втрата cross-entropy
criterion = nn.CrossEntropyLoss()

Цикл навчання класифікатора зображень

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()

Давайте потренуємось!

Середній рівень Deep Learning з PyTorch