การใช้งานโมเดลที่ผ่านการเทรนแล้ว

Deep Learning สำหรับภาพด้วย PyTorch

Michal Oleszak

Machine Learning Engineer

การใช้ประโยชน์จาก pre-trained models

การเทรนโมเดลตั้งแต่เริ่มต้น:
- ใช้เวลานาน
- ต้องการข้อมูลจำนวนมาก
Pre-trained models - โมเดลที่เทรนบนงานหนึ่งแล้ว
- นำไปใช้กับงานใหม่ได้ทันที
- ต้องปรับให้เข้ากับงานใหม่ (transfer learning)
ขั้นตอนการใช้ pre-trained models:
- การบันทึกและโหลดโมเดลในเครื่อง
- การดาวน์โหลดโมเดลจาก torchvision

การบันทึกโมเดล PyTorch

torch.save()
นามสกุลไฟล์โมเดล: .pt หรือ .pth
บันทึก weights ด้วย .state_dict()
```
torch.save(model.state_dict(), "BinaryCNN.pth")
```

การโหลดโมเดล PyTorch

สร้าง instance โมเดลใหม่
```
new_model = BinaryCNN()
```
โหลด parameters ที่บันทึกไว้
```
new_model.load_state_dict(torch.load('BinaryCNN.pth'))
```

การดาวน์โหลดโมเดล torchvision

from torchvision.models import (
    resnet18, ResNet18_Weights
)


weights = ResNet18_Weights.DEFAULT

model = resnet18(weights=weights)

transforms = weights.transforms()

นำเข้าสถาปัตยกรรม resnet และ weights
ดึง weights ออกมา
สร้าง instance โมเดลพร้อมส่ง weights
เก็บ data transforms ที่จำเป็น

เตรียมภาพ input ใหม่

from PIL import Image

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

image_tensor = transform(image)

image_reshaped = image_tensors.unsqueeze(0)

ภาพแมว

โหลดภาพ
แปลงภาพ
ปรับรูปร่างภาพ

การสร้างการพยากรณ์ใหม่

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

เปิดโหมด evaluation สำหรับ inference
ปิดการคำนวณ gradient
ส่งภาพเข้าโมเดลและลบมิติ batch ออก
ใช้งาน softmax
เลือกคลาสที่มีความน่าจะเป็นสูงสุดและดึง index
แมป index ของคลาสไปยัง label
แสดง label ของคลาส

มาฝึกกันเถอะ!

Deep Learning สำหรับภาพด้วย PyTorch

Preparing Video For Download...