Dataset s augmentacemi

Datovou sadu obrázků oblaků a konvoluční model pro klasifikaci jejich typů už máš za sebou. Než model natrénuješ, upravíme datovou sadu – přidáme augmentace, které mohou zlepšit výkon modelu při klasifikaci oblaků.

Kód pro nastavení Dataset a DataLoader je už připravený a měl by ti být povědomý. Tvým úkolem je definovat kompozici transformací, které se budou aplikovat na vstupní obrázky při jejich načítání.

Dřív jsi měnil/a velikost obrázků na 128 × 128 pixelů, aby se hezky zobrazovaly. Teď použijeme menší rozměry, aby trénování proběhlo rychleji. Jak uvidíš, rozlišení 64 × 64 bude pro učení modelu dostatečné.

from torchvision import transforms už je naimportováno, takže se pusťme do toho!

Toto cvičení je součástí kurzu

Intermediate Deep Learning with PyTorch

Pokyny k cvičení

Definuj train_transforms složením pěti transformací: náhodné horizontální překlopení, náhodná rotace (o úhel od 0 do 45 stupňů), náhodná automatická úprava kontrastu, převod na tensor a změna velikosti na 64 × 64 pixelů.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define transforms
train_transforms = transforms.Compose([
    ____,
    ____,
    ____,
    ____,
    ____,
])

dataset_train = ImageFolder(
  "clouds_train",
  transform=train_transforms,
)
dataloader_train = DataLoader(
  dataset_train, shuffle=True, batch_size=16
)

Upravit a spustit kód

Toto cvičení je součástí kurzu

Intermediate Deep Learning with PyTorch

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

Nauč se trénovat neuronové sítě spolehlivým způsobem. V této kapitole využiješ objektově orientované programování k definování datasetů a modelů v PyTorchi a zopakuješ si, jak neuronové sítě trénovat a vyhodnocovat. Seznámíš se také s různými optimalizátory a nakonec si osvojíš techniky, které pomáhají řešit problémy s nestabilními gradienty – jev, se kterým se při trénování neuronových sítí setkáváš velmi často.

Exercise 1: PyTorch a objektově orientované programování Exercise 2: PyTorch Dataset Exercise 3: PyTorch DataLoader Exercise 4: PyTorch model Exercise 5: Optimizéry, trénování a vyhodnocování Exercise 6: Trénovací smyčka Exercise 7: Optimizéry Exercise 8: Vyhodnocení modelu Exercise 9: Mizející a explodující gradienty Exercise 10: Inicializace a aktivační funkce Exercise 11: Aktivační funkce: ReLU vs. ELU Exercise 12: Batch Normalization

Natrénuj neuronové sítě pro řešení úloh klasifikace obrázků. V této kapitole se naučíš, jak pracovat s obrazovými daty v PyTorchi, a důkladně se seznámíš s konvolučními neuronovými sítěmi (CNN). Budeš trénovat a vyhodnocovat klasifikátor obrázků a zároveň se dozvíš, jak zlepšit výkon modelu pomocí augmentace dat.

Exercise 1: Práce s obrázky v PyTorchi Exercise 2: Dataset obrázků Exercise 3: Augmentace dat Exercise 4: Augmentace dat v PyTorchi Exercise 5: Konvoluční neuronové sítě Exercise 6: Konvoluční vrstva Exercise 7: Sestavení konvolučních sítí Exercise 8: Trénování klasifikátorů obrázků Exercise 9: Výběr augmentací Exercise 10: Dataset s augmentacemi

Aktuální cvičení

Exercise 11: Trénovací smyčka klasifikátoru obrázků Exercise 12: Vyhodnocování klasifikátorů obrázků Exercise 13: Vyhodnocení víceřídového modelu Exercise 14: Analýza metrik podle třídy

Sestav a natrénuj rekurentní neuronové sítě (RNN) pro zpracování sekvenčních dat, jako jsou časové řady, text nebo audio. Naučíš se o dvou nejpopulárnějších rekurentních architekturách – sítích Long Short-Term Memory (LSTM) a Gated Recurrent Unit (GRU) – a také o tom, jak sekvenční data připravit pro trénování modelu. Své dovednosti si procvičíš trénováním a vyhodnocováním rekurentního modelu pro předpověď spotřeby elektřiny.

Exercise 1: Zpracování sekvencí v PyTorchi Exercise 2: Generování sekvencí Exercise 3: Sekvenční dataset Exercise 4: Rekurentní neuronové sítě Exercise 5: Sekvenční architektury Exercise 6: Sestavení predikcí pomocí RNN Exercise 7: Buňky LSTM a GRU Exercise 8: RNN vs. LSTM vs. GRU Exercise 9: Síť LSTM Exercise 10: Síť GRU Exercise 11: Trénování a vyhodnocování RNN Exercise 12: Trénovací smyčka RNN Exercise 13: Vyhodnocení predikcí modelu

Sestav modely s více vstupy a více výstupy a uvidíš, jak zvládají úlohy vyžadující více než jeden vstup nebo generující více výstupů. Prozkoumáš, jak tyto modely navrhnout a natrénovat v PyTorchi, a ponoříš se do klíčového tématu vážení ztrát v modelech s více výstupy. To zahrnuje pochopení toho, jak vyvažovat důležitost různých úloh při trénování modelu, který plní více úloh současně.

Exercise 1: Modely s více vstupy Exercise 2: Dataset se dvěma vstupy Exercise 3: Model se dvěma vstupy Exercise 4: Trénování modelu se dvěma vstupy Exercise 5: Modely s více výstupy Exercise 6: Dataset a DataLoader se dvěma výstupy Exercise 7: Architektura modelu se dvěma výstupy Exercise 8: Trénování modelů s více výstupy Exercise 9: Vyhodnocení modelů s více výstupy a vážení ztrátové funkce Exercise 10: Vyhodnocení modelu s více výstupy Exercise 11: Vážení ztrát Exercise 12: Shrnutí