Modello di classificazione multi-classe

Partendo dal modello di riferimento per la classificazione binaria, ora puoi estenderlo per progettare un modello di classificazione multi-classe. Il modello deve gestire un numero variabile di classi tramite un parametro, così potrai adattarlo a uno specifico task di classificazione multi-classe in futuro.

I pacchetti torch e torch.nn come nn sono già stati importati. Tutte le immagini hanno dimensioni 64x64 pixel.

Questo esercizio fa parte del corso

Deep Learning per Immagini con PyTorch

Visualizza il corso

Istruzioni dell'esercizio

Definisci il metodo __init__ includendo self e num_classes come parametri.
Crea uno strato fully connected con dimensione di input 16*32*32 e numero di classi num_classes come output.
Crea una funzione di attivazione softmax con dim=1.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

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 = ____(____)

Modifica ed esegui il codice