Multi-class-classificatiemodel

Met een template voor een binair classificatiemodel kun je dit nu uitbreiden naar een multi-class-classificatiemodel. Het model moet verschillende aantallen klassen aankunnen via een parameter, zodat je het in de toekomst kunt afstemmen op een specifieke multi-class-classificatietaak.

De pakketten torch en torch.nn als nn zijn geïmporteerd. Alle afbeeldingsgroottes zijn 64x64 pixels.

Deze oefening maakt deel uit van de cursus

Deep Learning voor afbeeldingen met PyTorch

Cursus bekijken

Oefeninstructies

Definieer de __init__-methode met self en num_classes als parameters.
Maak een volledig verbonden laag met de invoergrootte 16*32*32 en het aantal klassen num_classes als uitvoer.
Maak een activatiefunctie softmax met dim=1.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

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 bewerken en uitvoeren