Zbiór danych z augmentacjami
Masz już zbudowany zbiór danych ze zdjęciami chmur oraz model konwolucyjny do klasyfikacji ich rodzajów. Zanim przystąpisz do trenowania, dostosuj zbiór danych, dodając augmentacje, które mogą poprawić skuteczność klasyfikacji.
Kod konfigurujący Dataset i DataLoader jest już przygotowany — powinien wyglądać znajomo. Twoim zadaniem jest zdefiniowanie kompozycji przekształceń stosowanych do obrazów podczas ich wczytywania.
Wcześniej skalowałeś obrazy do rozmiaru 128 × 128, aby wyglądały czytelnie. Teraz użyjesz mniejszych obrazów, żeby przyspieszyć trenowanie. Jak się wkrótce przekonasz, rozmiar 64 × 64 wystarczy, aby model się nauczył.
from torchvision import transforms zostało już wykonane, więc możemy zaczynać!
To ćwiczenie jest częścią kursu
Głębokie uczenie z PyTorch – poziom średnio zaawansowany
Instrukcje do ćwiczenia
- Zdefiniuj
train_transforms, składając ze sobą pięć przekształceń: losowe odbicie poziome, losowy obrót (o kąt od 0 do 45 stopni), losową automatyczną korektę kontrastu, konwersję do tensora oraz skalowanie do rozmiaru 64 × 64 piksele.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Define transforms
train_transforms = transforms.Compose([
____,
____,
____,
____,
____,
])
dataset_train = ImageFolder(
"clouds_train",
transform=train_transforms,
)
dataloader_train = DataLoader(
dataset_train, shuffle=True, batch_size=16
)