Lucrul cu modele pre-antrenate

Deep Learning pentru imagini cu PyTorch

Michal Oleszak

Machine Learning Engineer

Utilizarea modelelor pre-antrenate

Antrenarea modelelor de la zero:
- Proces îndelungat
- Necesită multe date
Modele pre-antrenate - modele deja antrenate pe o sarcină
- Reutilizabile direct pe o sarcină nouă
- Necesită ajustare la noua sarcină (transfer learning)
Pași pentru utilizarea modelelor pre-antrenate:
- Salvarea și încărcarea modelelor local
- Descărcarea modelelor torchvision

Salvarea unui model PyTorch complet

torch.save()
Extensie model: .pt sau .pth

Salvați ponderile modelului cu .state_dict()

torch.save(model.state_dict(), "BinaryCNN.pth")

Încărcarea modelelor PyTorch

Instanțiați un model nou
```
new_model = BinaryCNN()
```

Încărcați parametrii salvați

new_model.load_state_dict(torch.load('BinaryCNN.pth'))

Descărcarea modelelor torchvision

from torchvision.models import (
    resnet18, ResNet18_Weights
)


weights = ResNet18_Weights.DEFAULT

model = resnet18(weights=weights)

transforms = weights.transforms()

Importați arhitectura și ponderile resnet
Extrageți ponderile
Instanțiați un model cu ponderi
Stocați transformările de date necesare

Pregătirea imaginilor noi de intrare

from PIL import Image

image = Image.open("cat013.jpg")

image_tensor = transform(image)

image_reshaped = image_tensors.unsqueeze(0)

imagine pisică

Încărcați imaginea
Transformați imaginea
Remodelați imaginea

Generarea unei predicții noi

model.eval()


with torch.no_grad():

    pred = model(image_reshaped).squeeze(0)


pred_cls = pred.softmax(0)

cls_id = pred_cls.argmax().item()

cls_name = weights.meta["categories"][cls_id]


print(cls_name)

Egyptian cat

Mod de evaluare pentru inferență
Dezactivați gradienții
Treceți imaginea prin model și eliminați dimensiunea de lot
Aplicați softmax
Selectați clasa cu probabilitate maximă și extrageți indexul
Mapați indexul clasei la etichetă
Afișați eticheta clasei

Să exersăm!

Deep Learning pentru imagini cu PyTorch