Formation de modèle d'apprentissage en profondeur avec Fast.ai

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

apprendre = cnn_learner(dls, 
                    resnet18, 
                    métriques=[précision, taux d'erreur])

Ici, nous utilisons cnn_learner c'est-à-dire, spécifier fastai pour construire un modèle de réseau neuronal convolutif à partir de l'architecture donnée, c'est-à-dire resnet18 et entraînez-vous sur le chargeur de données spécifié, c'est-à-dire dls et suivre les métriques fournies, c'est-à-dire précision Oui Taux d'erreur.

CNN est l'approche de pointe d'aujourd'hui pour la modélisation de la vision par ordinateur. Ici, nous utilisons une technique appelée transfert d'apprentissage pour former notre modèle. Cette technique utilise un Modèle préparé c'est-à-dire, une architecture standard et déjà formée pour un autre usage. Entrons dans les détails dans la section suivante.

Maintenant, entraînons-nous (en réalité, accordons-nous) modèle,

Nous pouvons voir que le modèle commence à s'entraîner avec des données pendant 4 époques. Les résultats ressemblent à ce qui suit,

Waouh !! une précision de 99% et presque un 0,8% de error_rate sont, au sens propre, des résultats de pointe. En outre, nous avons pu y parvenir avec juste 4 époques, 5 lignes de code et 5 minutes de formation.

Mettre ensemble,

de fastai.vision.all import *
chemin = untar_data(URLs.MNIST)
dls = ImageDataLoaders.from_folder(chemin=chemin, 
                                   train='formation', 
                                   valid='test', 
                                   shuffle=Vrai)
apprendre = cnn_learner(dls, 
                    resnet18, 
                    métriques=[précision, taux d'erreur])
apprendre.fine_tune(4)

Ceci est possible grâce à une technique appelée Transférer l'apprentissage. Discutons-en un peu en détail.

Transférer l'apprentissage

avant de continuer, nous devons connaître les modèles pré-entraînés.

Modèles déjà formés ce sont essentiellement des architectures déjà formées sur un jeu de données différent et dans un but différent. Par exemple, Nous avons utilisé ressentiment18 comme notre réseau pré-formé. Aussi appelés réseaux résiduels, resent18 se compose de 18 couches et est formé sur plus d'un million d'images de l'ensemble de données ImageNet. Ce réseau pré-entraîné peut facilement classer les images en 1000 cours, comme des livres, des crayons, les animaux, etc. Donc, ce modèle connaît divers objets et choses avant même d'être entraîné sur notre ensemble de données. C'est pourquoi on l'appelle Préentrenada rouge.

À présent, l'apprentissage par transfert est la technique qui nous permet d'utiliser un modèle préalablement formé pour une nouvelle tâche et un nouvel ensemble de données. Transférer l'apprentissage il s'agit essentiellement du processus d'utilisation d'un modèle pré-entraîné pour une tâche différente de celle qui a été initialement formée, c'est-à-dire, dans ce cas, nous utilisons resent18 pour nous entraîner sur des images de chiffres manuscrits.

Ceci est possible grâce à une étape fondamentale appelée sintonie FINA. Lorsque nous avons un modèle préalablement formé, nous utilisons cette étape pour mettre à jour le modèle précédemment formé en fonction des besoins de notre tâche / Les données. Le réglage fin est essentiellement une technique d'apprentissage par transfert qui met à jour les poids du modèle pré-entraîné en s'entraînant pour certaines époques dans le nouvel ensemble de données..

Donc, En utilisant cette technique, nous pouvons obtenir des résultats de pointe dans notre tâche, c'est-à-dire, classer les chiffres manuscrits.

Faisons maintenant quelques prédictions

Prédire des images