Deep-Learning-Modelltraining mit Fast.ai

dls.train.show_batch()
dls.valid.show_batch()

lernen = cnn_lerner(dls, 
                    resnet18, 
                    Metriken=[Richtigkeit, Fehlerrate])

Hier verwenden wir cnn_learner nämlich, spezifizieren Sie fastai, um ein konvolutionelles neuronales Netzwerkmodell aus der gegebenen Architektur zu erstellen, nämlich resnet18 und trainieren Sie auf dem angegebenen Datenlader, nämlich dls und verfolgen Sie die bereitgestellten Metriken, nämlich Präzision Ja Fehlerrate.

CNN ist der modernste Ansatz für die Modellierung von Computer Vision. Hier verwenden wir eine Technik namens Lerntransfer um unser Modell zu trainieren. Diese Technik verwendet a Vorbereitetes Modell nämlich, eine Standardarchitektur und bereits für einen anderen Zweck trainiert. Lassen Sie uns im nächsten Abschnitt ins Detail gehen.

Jetzt trainieren wir (in Wirklichkeit, lass uns stimmen) das Model,

Wir können sehen, dass das Modell während des Trainings mit Daten beginnt 4 Epochen. Die Ergebnisse sehen wie folgt aus,

Woah !! eine Genauigkeit von 99% und fast ein 0,8% der error_rate sind, buchstäblich, Spitzenergebnisse. Was ist mehr, wir konnten dies mit nur erreichen 4 Epochen, 5 Codezeilen und 5 Trainingsminuten.

Zusammenfügen,

von fastai.vision.all import *
Pfad = untar_data(URLs.MNIST)
dls = ImageDataLoaders.from_folder(Pfad=Pfad, 
                                   train='training', 
                                   valid='testen', 
                                   shuffle=Wahr)
lernen = cnn_lerner(dls, 
                    resnet18, 
                    Metriken=[Richtigkeit, Fehlerrate])
learn.fine_tune(4)

Dies ist möglich dank einer Technik namens Lerntransfer. Lass uns das etwas genauer besprechen.

Lerntransfer

vor dem Fortfahren, wir müssen die vortrainierten Modelle kennen.

Zuvor trainierte Modelle es handelt sich im Grunde um Architekturen, die bereits auf einem anderen Datensatz und für einen anderen Zweck trainiert wurden. Zum Beispiel, wir verwendeten ärgerlich18 wie unser vortrainiertes Netzwerk. Auch bekannt als Restnetzwerke, resent18 besteht aus 18 Ebenen und wird auf über einer Million Bildern aus dem ImageNet-Datensatz trainiert. Dieses vortrainierte Netzwerk kann Bilder leicht klassifizieren in 1000 Lektionen, wie Bücher, Bleistifte, Tiere, etc. Deswegen, Dieses Modell kennt verschiedene Objekte und Dinge, noch bevor es auf unserem Datensatz trainiert wird. Deshalb heißt es Rote Präentrenada.

Jetzt, Transfer Learning ist die Technik, die es uns ermöglicht, ein zuvor trainiertes Modell für eine neue Aufgabe und einen neuen Datensatz zu verwenden. Lerntransfer es ist im Grunde der Prozess, ein vortrainiertes Modell für eine andere Aufgabe als die ursprünglich trainierte zu verwenden, nämlich, In diesem Fall verwenden wir resent18, um mit Bildern handgeschriebener Ziffern zu trainieren.

Dies ist möglich durch einen grundlegenden Schritt namens sintonia FINA. Wenn wir ein zuvor trainiertes Modell haben, Wir verwenden diesen Schritt, um das zuvor trainierte Modell entsprechend den Anforderungen unserer Aufgabe zu aktualisieren / Daten. Die Feinabstimmung ist im Grunde eine Transferlerntechnik, die die Gewichte des vortrainierten Modells aktualisiert, indem sie für einige Epochen im neuen Datensatz trainiert..

Deswegen, Mit dieser Technik können wir bei unserer Aufgabe topaktuelle Ergebnisse erzielen, nämlich, handschriftliche Ziffern klassifizieren.

Nun lass uns ein paar Vorhersagen treffen

Bilder vorhersagen