多輸入模型

Intermediate Deep Learning with PyTorch

Michal Oleszak

Machine Learning Engineer

為何使用多輸入？

運用更多資訊

模型架構：以兩張車輛影像為輸入，輸出一個結果。

多模態模型

模型架構：以一張影像與一段文字為輸入，輸出文字。

度量學習

模型架構：以兩張人臉影像為輸入，預測是否為同一人。

自我監督式學習

模型架構：以同一張影像的兩個增強版本為輸入，學習它們為同一來源。

Omniglot 資料集

Omniglot 資料集的影像樣本。

¹ Lake, B. M., Salakhutdinov, R., and Tenenbaum, J. B. (2015). Human-level concept learning through probabilistic program induction. Science, 350(6266), 1332-1338.

字元分類

模型架構：字元影像傳入類神經網路。

字元分類

模型架構：one-hot 字母表向量傳入類神經網路。

字元分類

模型架構：結合字元與字母表的嵌入。

字元分類

模型架構：分類器從結合後的嵌入預測字元。

雙輸入 Dataset

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

指派 samples 與 transforms

print(samples[0])

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

實作 __len__()
載入並轉換影像
回傳兩個輸入與標籤

Tensor 串接

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

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

沿軸 0 串接

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

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

沿軸 1 串接

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

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

雙輸入架構

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), 
        )

定義影像處理層
定義字母表處理層
定義分類器層

雙輸入架構

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)

影像經過影像層
字母表經過字母表層
串接影像與字母表的輸出
將結果傳入分類器

訓練迴圈

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()

訓練資料包含三項：
- 影像
- 字母表向量
- 標籤
將影像與字母表一併傳入模型

一起來練習吧！

Intermediate Deep Learning with PyTorch