Модели с несколькими входами

Глубокое обучение на PyTorch: средний уровень

Michal Oleszak

Machine Learning Engineer

Зачем нужны несколько входов?

Использование дополнительной информации

Схема модели, принимающей два изображения автомобиля на входе и выдающей один результат.

Мультимодальные модели

Схема модели, принимающей изображение и текст на входе и выдающей текстовый результат.

Метрическое обучение

Схема модели, принимающей два изображения лиц и предсказывающей, принадлежат ли они одному человеку.

Самообучение

Схема модели, принимающей два аугментированных варианта одного изображения и обучающейся распознавать их как одинаковые.

Набор данных Omniglot

Примеры изображений из набора данных 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.

Классификация символов

Схема модели: изображения символов подаются в нейронную сеть.

Классификация символов

Схема модели: one-hot вектор алфавита подаётся в нейронную сеть.

Классификация символов

Схема модели: эмбеддинги символа и алфавита объединяются.

Классификация символов

Схема модели: из объединённых эмбеддингов классификатор предсказывает символ.

Dataset с двумя 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

Сохранить samples и трансформации

print(samples[0])

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

Реализовать __len__()
Загрузить и преобразовать изображение
Вернуть оба входа и метку

Конкатенация тензоров

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

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

Конкатенация по оси 0

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

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

Конкатенация по оси 1

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

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

Архитектура с двумя 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), 
        )

Определить слой обработки изображений
Определить слой обработки алфавита
Определить слой классификатора

Архитектура с двумя 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)

Передать изображение через слой изображений
Передать алфавит через слой алфавита
Конкатенировать выходы слоёв изображения и алфавита
Передать результат через классификатор

Цикл обучения

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()

Обучающие данные состоят из трёх элементов:
- Изображение
- Вектор алфавита
- Метки
Модели передаются изображения и алфавиты

Давайте потренируемся!

Глубокое обучение на PyTorch: средний уровень