Architektura modelu z dwoma wyjściami
W tym ćwiczeniu zbudujesz architekturę wielowyjściowej sieci neuronowej, która będzie przewidywać zarówno znak, jak i alfabet.
Przypomnij ogólną strukturę: w metodzie .__init__() definiujesz warstwy używane później w przebiegu w przód. W metodzie forward() najpierw przepuszczasz obraz wejściowy przez kilka warstw, aby uzyskać jego osadzenie (embedding), które następnie trafia do dwóch oddzielnych warstw klasyfikatora – po jednej dla każdego wyjścia.
torch.nn jest już zaimportowany pod standardowym aliasem – czas zbudować model!
To ćwiczenie jest częścią kursu
Głębokie uczenie z PyTorch – poziom średnio zaawansowany
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
class Net(nn.Module):
def __init__(self):
super().__init__()
self.image_layer = nn.Sequential(
nn.Conv2d(1, 16, kernel_size=3, padding=1),
nn.MaxPool2d(kernel_size=2),
nn.ELU(),
nn.Flatten(),
nn.Linear(16*32*32, 128)
)
# Define the two classifier layers
____ = ____
____ = ____