Binäre Klassifizierungsmodell
Als Deep-Learning-Experte ist eine deiner Hauptaufgaben das Trainieren von Modellen für die Bildklassifizierung. Manchmal musst du zwei Sachen unterscheiden, das ist eine binäre Klassifizierung. Um deinen Arbeitsablauf zu optimieren und die Wiederverwendbarkeit sicherzustellen, hast du beschlossen, eine Vorlage für ein CNN-Modell zur Klassifizierung binärer Bilder zu erstellen, die du in zukünftigen Projekten verwenden kannst.
Die Pakete „ torch “ und „ torch.nn “ sowie „ nn “ wurden importiert. Alle Bilder sind 64 x 64 Pixel groß.
Diese Übung ist Teil des Kurses
Deep Learning für Bilder mit PyTorch
Anleitung zur Übung
- Mach eine Faltungsschicht mit 3 Kanälen, 16 Ausgangskanälen, einer Kernelgröße von 3, einem Stride von 1 und einem Padding von 1.
- Erstelle eine vollständig verbundene Schicht mit einer Eingabegröße von 16x32x32 und einer Anzahl von Klassen gleich 1; nimm nur die Werte in der angegebenen Reihenfolge auf
(16*32*32, 1). - Erstell eine Aktivierungsfunktion namens „
sigmoid“.
Interaktive Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
class BinaryImageClassifier(nn.Module):
def __init__(self):
super(BinaryImageClassifier, self).__init__()
# Create a convolutional layer
self.conv1 = ____(____)
self.relu = nn.ReLU()
self.maxpool = nn.MaxPool2d(kernel_size=2, stride=2)
self.flatten = nn.Flatten()
# Create a fully connected layer
self.fc = ____(____)
# Create an activation function
self.sigmoid = ____