Arbeta med förtränade modeller

Djupinlärning för bilder med PyTorch

Michal Oleszak

Machine Learning Engineer

Använda förtränade modeller

Träna modeller från grunden:
- Tidskrävande process
- Kräver stora mängder data
Förtränade modeller – modeller redan tränade på en uppgift
- Direkt återanvändbara på en ny uppgift
- Kräver anpassning till den nya uppgiften (transferlärning)
Steg för att använda förtränade modeller:
- Spara och ladda modeller lokalt
- Ladda ned torchvision-modeller

Spara en fullständig PyTorch-modell

torch.save()
Modelltillägg: .pt eller .pth

Spara modellvikter med .state_dict()

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

Ladda PyTorch-modeller

Skapa en ny modellinstans
```
new_model = BinaryCNN()
```

Ladda sparade parametrar

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

Ladda ned torchvision-modeller

from torchvision.models import (
    resnet18, ResNet18_Weights
)


weights = ResNet18_Weights.DEFAULT

model = resnet18(weights=weights)

transforms = weights.transforms()

Importera resnet-arkitektur och vikter
Extrahera vikter
Skapa en modellinstans med vikterna
Lagra nödvändiga datatransformeringar

Förbered nya indatabilder

from PIL import Image

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

image_tensor = transform(image)

image_reshaped = image_tensors.unsqueeze(0)

kattbild

Ladda bild
Transformera bild
Forma om bild

Generera en ny prediktion

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

Utvärderingsläge för inferens
Inaktivera gradienter
Skicka bilden till modellen och ta bort batchdimensionen
Tillämpa softmax
Välj klassen med högst sannolikhet och hämta dess index
Mappa klassindex till etikett
Skriv ut klassetiketten

Nu kör vi en övning!

Djupinlärning för bilder med PyTorch