Mehrklassen-Klassifikationsmodell

Auf Basis der Vorlage für ein binäres Klassifikationsmodell kannst du nun ein Mehrklassen-Klassifikationsmodell entwickeln. Das Modell soll über einen Parameter unterschiedliche Anzahlen von Klassen verarbeiten, sodass du es künftig an eine konkrete Mehrklassen-Aufgabe anpassen kannst.

Die Pakete torch und torch.nn als nn wurden importiert. Alle Bildgrößen sind 64x64 Pixel.

Diese Übung ist Teil des Kurses

<Kurs>Deep Learning für Bilder mit PyTorch</Kurs>

Kurs ansehen

Übungsanweisungen

Definiere die Methode __init__ mit den Parametern self und num_classes.
Erstelle eine voll verbundene Schicht mit Eingabegröße 16*32*32 und num_classes als Anzahl der Ausgabeklassen.
Erzeuge eine Aktivierungsfunktion softmax mit dim=1.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

class MultiClassImageClassifier(nn.Module):
  
    # Define the init method
    def ____(____, ____):
        super(MultiClassImageClassifier, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)
        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.softmax = ____(____)

Code bearbeiten und ausführen