Mehrklassen-Klassifizierungsmodell
Mit einer Vorlage für ein binäres Klassifizierungsmodell kannst du jetzt ein Mehrklassen-Klassifizierungsmodell entwickeln. Das Modell sollte über einen Parameter mit unterschiedlichen Klassenanzahlen klarkommen, damit du es später an eine bestimmte Multi-Class-Klassifizierungsaufgabe anpassen 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
- Definiere die Methode „
__init__“ mit den Parametern „self“ und „num_classes“. - Erstelle eine vollständig verbundene Schicht mit der Eingabegröße „
16*32*32“ und der Anzahl der Klassen „num_classes“ als Ausgabe. - Erstell eine Aktivierungsfunktion „
softmax“ mit „dim=1“.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
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 = ____(____)