Набор данных с двумя входами

Построение модели с несколькими входами начинается с создания пользовательского набора данных, который будет передавать все входные данные модели. В этом упражнении вы реализуете набор данных Omniglot, формирующий тройки из следующих элементов:

Изображение символа, который нужно классифицировать,
Вектор алфавита в формате унитарного кодирования (one-hot encoding) длиной 30, где все значения равны нулю, кроме одного, указывающего идентификатор алфавита, к которому принадлежит символ,
Целевая метка — целое число от 0 до 963.

Вам предоставлен список samples, состоящий из 3-элементных кортежей: путь к файлу изображения, вектор алфавита и целевая метка. Следующие импорты уже выполнены, так что можно приступать!

from PIL import Image
from torch.utils.data import DataLoader, Dataset
from torchvision import transforms

Это упражнение является частью курса

Глубокое обучение на PyTorch: средний уровень

Посмотреть курс

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

class OmniglotDataset(Dataset):
    def __init__(self, transform, samples):
        # Assign transform and samples to class attributes
        ____ = ____
        ____ = ____

Редактировать и запускать код

Это упражнение является частью курса

Глубокое обучение на PyTorch: средний уровень

SkillTag.level.intermediateSkillTag.label

4.8+

Начать курс бесплатно

Научитесь обучать нейронные сети надёжными методами. В этой главе вы будете использовать объектно-ориентированное программирование для определения наборов данных и моделей в PyTorch, а также освежите знания об обучении и оценке нейронных сетей. Вы познакомитесь с различными оптимизаторами и освоите техники, которые помогают справляться с проблемой нестабильных градиентов — одной из самых распространённых трудностей при обучении нейронных сетей.

Exercise 1: PyTorch и объектно-ориентированное программирование Exercise 2: Набор данных PyTorch Exercise 3: DataLoader в PyTorch Exercise 4: Модель PyTorch Exercise 5: Оптимизаторы, обучение и оценка модели Exercise 6: Цикл обучения Exercise 7: Оптимизаторы Exercise 8: Оценка модели Exercise 9: Затухающие и взрывные градиенты Exercise 10: Инициализация и функции активации Exercise 11: Функции активации: ReLU и ELU Exercise 12: Пакетная нормализация

Обучите нейронные сети решать задачи классификации изображений. В этой главе вы узнаете, как работать с изображениями в PyTorch, и освоите сверточные нейронные сети (CNN). Вы будете практиковаться в обучении и оценке классификатора изображений, а также узнаете, как улучшить качество модели с помощью аугментации данных.

Exercise 1: Работа с изображениями в PyTorch Exercise 2: Набор данных изображений Exercise 3: Аугментация данных Exercise 4: Аугментация данных в PyTorch Exercise 5: Свёрточные нейронные сети Exercise 6: Свёрточный слой Exercise 7: Построение свёрточных сетей Exercise 8: Обучение классификаторов изображений Exercise 9: Выбор методов аугментации Exercise 10: Набор данных с аугментациями Exercise 11: Цикл обучения классификатора изображений Exercise 12: Оценка качества классификаторов изображений Exercise 13: Оценка многоклассовой модели Exercise 14: Анализ метрик по классам

Создайте и обучите рекуррентные нейронные сети (RNN) для обработки последовательных данных — временных рядов, текстов или аудио. Вы изучите две наиболее популярные рекуррентные архитектуры: сети с долгой краткосрочной памятью (LSTM) и управляемые рекуррентные блоки (GRU), а также научитесь подготавливать последовательные данные для обучения моделей. Полученные навыки вы закрепите, обучив и оценив рекуррентную модель для прогнозирования потребления электроэнергии.

Exercise 1: Работа с последовательностями в PyTorch Exercise 2: Генерация последовательностей Exercise 3: Последовательный набор данных Exercise 4: Рекуррентные нейронные сети Exercise 5: Архитектуры для последовательных данных Exercise 6: Построение прогнозирующей РНС Exercise 7: Ячейки LSTM и GRU Exercise 8: RNN, LSTM и GRU: сравнение Exercise 9: Сеть LSTM Exercise 10: Сеть GRU Exercise 11: Обучение и оценка рекуррентных нейронных сетей Exercise 12: Цикл обучения RNN Exercise 13: Оценка моделей прогнозирования

Создайте модели с несколькими входами и несколькими выходами, которые справляются с задачами, требующими более одного входа или генерирующими несколько выходов. Вы изучите, как проектировать и обучать такие модели в PyTorch, а также подробно разберёте важную тему взвешивания функций потерь в моделях с несколькими выходами. Это предполагает понимание того, как балансировать значимость различных задач при одновременном обучении модели нескольким из них.

Exercise 1: Модели с несколькими входами Exercise 2: Набор данных с двумя входами

Текущее упражнение

Exercise 3: Модель с двумя входами Exercise 4: Обучение модели с двумя входами Exercise 5: Модели с несколькими выходами Exercise 6: Набор данных и DataLoader с двумя выходами Exercise 7: Архитектура модели с двумя выходами Exercise 8: Обучение моделей с несколькими выходами Exercise 9: Оценка моделей с несколькими выходами и взвешивание потерь Exercise 10: Оценка модели с несколькими выходами Exercise 11: Взвешивание функции потерь Exercise 12: Подведение итогов