बाइनरी क्लासिफिकेशन मॉडल
एक डीप लर्निंग प्रैक्टिशनर के रूप में, आपका एक अहम काम इमेज क्लासिफिकेशन के लिए मॉडल ट्रेन करना है. आपको अक्सर बाइनरी क्लासिफिकेशन मिलता है, जहाँ दो क्लासों में फर्क करना होता है. अपने वर्कफ़्लो को सरल बनाने और रीउस करने योग्य रखने के लिए, आपने बाइनरी इमेज क्लासिफिकेशन के लिए एक CNN मॉडल का टेम्पलेट बनाने का फैसला किया है, जिसे आगे के प्रोजेक्ट्स में भी लागू किया जा सके.
पैकेज torch और torch.nn को nn नाम से इंपोर्ट किया गया है. सभी इमेज साइज़ 64x64 पिक्सेल हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
PyTorch के साथ इमेज के लिए डीप लर्निंग
अभ्यास निर्देश
- 3 इनपुट चैनल, 16 आउटपुट चैनल, kernel size 3, stride 1, और padding 1 के साथ एक convolutional layer बनाएँ.
- एक fully connected layer बनाएँ जिसका इनपुट साइज़ 16x32x32 हो और क्लासों की संख्या 1 हो; दिए गए क्रम में केवल ये मान शामिल करें
(16*32*32, 1). - एक
sigmoidactivation फंक्शन बनाएँ.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
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 = ____