Modèle de classification multi-classes

Une fois le modèle de classification binaire établi, vous pouvez vous en servir comme base pour concevoir un modèle de classification multicatégorielle. Le modèle doit pouvoir traiter différents nombres de classes via un paramètre, ce qui vous permettra d'adapter le modèle à une tâche de classification multi-classes spécifique à l'avenir.

Les paquets torch et torch.nn ont été importés en tant que nn. Toutes les images ont une taille de 64 x 64 pixels.

Cet exercice fait partie du cours

Deep learning pour les images avec PyTorch

Afficher le cours

Instructions

Définissez la méthode d'__init__, en incluant self et num_classes comme paramètres.
Créez une couche entièrement connectée avec une taille d'entrée de 16*32*32 et le nombre de classes num_classes en sortie.
Créez une fonction d'activation softmax avec dim=1.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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 = ____(____)

Modifier et exécuter le code