Předzpracování obrázků a zvuku pro trénování

Efficient AI Model Training with PyTorch

Dennis Lee

Data Engineer, Amazon

Příprava obrázků a zvuku

Aplikace pro obrázky

Klasifikace obrázků pro rozpoznávání objektů
Sharding dat

Ukázka aplikace pro detekci objektů zobrazující auta na ulici. Aplikace běží na telefonu držen v rukou před pouliční scénou.

Aplikace pro zvuk

Ovládání hlasem
Příklad: „Ztlum hlasitost"

Ukázka hlasové asistenční technologie pro zrakově postižené umožňující hlasové ovládání telefonu.

Práce s ukázkovým obrazovým datasetem

print(dataset)

Dataset({
    features: ['img', 'label'],
    num_rows: 1000
})

print(dataset[0]["img"])

<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=720x480>

Standardizace formátu obrázků

Formát obrázků: šířka, výška
Standardizace hodnot pixelů: průměr, směrodatná odchylka
AutoImageProcessor načte všechny kroky předzpracování

from transformers import AutoImageProcessor
model = "microsoft/swin-tiny-patch4-window7-224"

image_processor = AutoImageProcessor.from_pretrained(model)

Standardizace formátu obrázků

dataset = dataset.map(
    lambda examples: {

        "pixel_values": [

            image_processor(image, return_tensors="pt").pixel_values
            for image in examples["img"]
        ]}, batched=True)

print(dataset)

Dataset({
    features: ['img', 'label', 'pixel_values'],
    num_rows: 1000
})

Práce s ukázkovým zvukovým datasetem

print(dataset)

DatasetDict({
    train: Dataset({

        features: ['file', 
                   'audio',

                   'label'],
        num_rows: 1000
    }), ...
})

Standardizace formátu zvuku

Standardizace počtu vzorků
Vzorkovací frekvence: počet vzorků za sekundu
Maximální délka: počet sekund zvuku

sampling_rate = 16000  # 16 kHz

max_duration = 1  # 1 second

max_length = sampling_rate * max_duration

print(f"max_length = {max_length:,} samples")

max_length = 16,000 samples

Standardizace formátu zvuku

from transformers import AutoFeatureExtractor

model = "facebook/wav2vec2-base"
feature_extractor = AutoFeatureExtractor.from_pretrained(model)


def preprocess_function(split_data):

    audio_arrays = [x["array"] for x in split_data["audio"]]

    inputs = feature_extractor(audio_arrays,

                               sampling_rate=feature_extractor.sampling_rate, 
                               max_length=int(feature_extractor.sampling_rate 
                                              * max_duration),

                               truncation=True)
    return inputs

Použití funkce předzpracování

Mapování preprocess_function na dataset
remove_columns: odebrání sloupců audio a file
batched: zpracování příkladů v dávkách

dataset = dataset["train"].map(preprocess_function,

                               remove_columns=["audio", "file"],

                               batched=True)

Použití funkce předzpracování

print(dataset)

DatasetDict({
    train: Dataset({
        features: ['label', 'input_values'],
        num_rows: 1000
    })

Příprava dat pro distribuované trénování

DataLoader: připraví data pro načítání a iteraci během trénování
accelerator.prepare(): umístí data na CPU nebo GPU podle dostupnosti
Sharding dat: každé GPU zpracovává část trénovacích dat, jako by si dělilo pizzu po kouscích
accelerator.prepare() funguje s PyTorch DataLoadery (torch.utils.data.DataLoader)

from accelerate import Accelerator
from torch.utils.data import DataLoader

dataloader = DataLoader(dataset, batch_size=32, shuffle=True)


accelerator = Accelerator()
dataloader = accelerator.prepare(dataloader)

Pojďme si to procvičit!

Efficient AI Model Training with PyTorch