Oppikaa tekoälyä Pythonilla · Oppitunti

VGG16:n ja ResNet50:n käyttö perusmalleina

keras.applications.VGG16(weights='imagenet', include_top=False), mukautetun yläosan lisääminen.

Oppitunti 2/413 vaihetta

VGG16:n ja ResNet50:n käyttö perusmalleina on ilmainen Oppikaa tekoälyä Pythonilla-oppitunti CoddyKitissä. Tämä on oppitunti 2/4. Voit lukea tästä oppimispolusta kokonaan mitkä tahansa 3 oppituntia ilmaiseksi — sen jälkeen CoddyKit PRO avaa kaikki oppitunnit sekä käytännön harjoittelun sisäänrakennetulla koodieditorilla ja ympäri vuorokauden toimivalla tekoälytuutorilla. Oppitunti kuuluu Oppikaa tekoälyä Pythonilla-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Oppikaa tekoälyä Pythonilla-kurssilla on yhteensä 4 oppituntia.

Keras Applications -moduuli

tf.keras.applications sisältää kymmeniä esikoulutettuja arkkitehtuureja, jotka voitte ladata yhdellä rivillä. Kaksi klassikkoa ovat VGG16 (yksinkertainen, syvä 3x3-konvoluutioiden pino) ja ResNet50 (residuaaliyhteydet, syvempi ja tarkempi).

VGG16:n lataaminen perusverkoksi

Ladatkaa VGG16 ImageNet-painoilla mutta ilman sen luokittelupäätä, jotta voitte liittää tilalle omanne.

from tensorflow.keras.applications import VGG16

base = VGG16(
    weights="imagenet",        # download pretrained weights
    include_top=False,         # drop the 1000-class classifier
    input_shape=(224, 224, 3)  # standard ImageNet input size
)

Argumenttien ymmärtäminen

weights="imagenet": lataa esikoulutetut painot satunnaisten painojen sijaan.
include_top=False: poistaa alkuperäisen tiheän luokittelijan, jotta voitte lisätä omanne.
input_shape=(224,224,3): korkeus, leveys ja kolme RGB-kanavaa.

Asetus include_top=False tekee mallista uudelleenkäytettävän uutta tehtävää varten.

Perusverkon jäädyttäminen

Asettakaa base.trainable = False, jotta esikoulutetut konvoluutiopainot pysyvät muuttumattomina ensimmäisen koulutusvaiheen aikana. Vain uusi pää opetetaan.

base.trainable = False
print(len(base.trainable_weights))  # -> 0 when frozen

GlobalAveragePooling2D

Perusverkko tuottaa esimerkiksi muotoa (7, 7, 512) olevan 3D-piirrekartan. GlobalAveragePooling2D laskee kunkin kanavan keskiarvon sen avaruudellisen ruudukon yli ja tiivistää sen yhdeksi vektoriksi kanavaa kohden – tässä tapauksessa vektorin pituudeksi tulee 512.

Se korvaa valtavan Flatten + Dense -rakenteen, vähentää parametrien määrää huomattavasti ja pienentää ylisovittamista.

from tensorflow.keras.layers import GlobalAveragePooling2D

# (batch, 7, 7, 512) -> (batch, 512)
pooled = GlobalAveragePooling2D()(base.output)

Dense-tulostuspään lisääminen

Liittäkää Dense-kerros, jonka koko vastaa luokkienne määrää. Käyttäkää softmax-aktivointia moniluokkaiseen luokitteluun ja sigmoid-aktivointia binääriseen luokitteluun.

from tensorflow.keras import layers, Model

x = base.output
x = layers.GlobalAveragePooling2D()(x)
x = layers.Dropout(0.3)(x)
outputs = layers.Dense(10, activation="softmax")(x)
model = Model(inputs=base.input, outputs=outputs)

Siirtyminen ResNet50:een

ResNet50 käyttää samaa rajapintaa. Sen residuaaliset eli ohitusyhteydet mahdollistavat paljon syvemmän verkon kouluttamisen ilman katoavia gradientteja, joten se saavuttaa yleensä paremman ImageNet-tarkkuuden kuin VGG16 vastaavalla nopeudella.

from tensorflow.keras.applications import ResNet50

base = ResNet50(
    weights="imagenet",
    include_top=False,
    input_shape=(224, 224, 3)
)
base.trainable = False

VGG16 vai ResNet50

VGG16: noin 138 milj. parametria, yksinkertainen yhtenäinen 3x3-pino, raskas muistinkulutus ja helppo ymmärtää.
ResNet50: noin 25 milj. parametria, residuaalilohkot, syvempi, yleensä tarkempi ja kevyempi.

Useimmissa moderneissa siirto-oppimistehtävissä ResNet50 on vahvempi oletusvalinta.

Esikäsittelyn sovittaminen

Jokaisella malliperheellä on oma preprocess_input-funktionsa. VGG16 vähentää keskimääräiset RGB-arvot, kun taas ResNet50 käyttää samankaltaista Caffe-tyylistä skaalausta. Tuokaa aina perusverkkoanne vastaava funktio.

from tensorflow.keras.applications.resnet50 import preprocess_input

x = preprocess_input(image_batch)  # required for correct results

Mallin kääntäminen

Kun perusverkko on jäädytetty, kääntäkää malli ja kouluttakaa pää tavallisella optimoijalla.

model.compile(
    optimizer="adam",
    loss="categorical_crossentropy",
    metrics=["accuracy"]
)
model.fit(train_ds, validation_data=val_ds, epochs=10)

Arkkitehtuurin tarkasteleminen

Kutsukaa model.summary()-metodia varmistaaksenne, että perusverkko on jäädytetty (Non-trainable params on suuri) ja vain pää on opetettava. Tämä tarkistus paljastaa määritysvirheet varhain.

model.summary()
# Look at "Trainable params" vs "Non-trainable params"

Pikatesti

Testatkaa, miten hyvin hallitsette siirto-oppimismallin rakentamisen Kerasilla.

Vastaa interaktiivisessa oppitunnissa

Kertaus

Latasitte VGG16- ja ResNet50-mallit asetuksilla weights="imagenet", include_top=False ja input_shape=(224,224,3), jäädytitte perusverkon asetuksella base.trainable=False, tiivistitte piirteet GlobalAveragePooling2D-kerroksella ja lisäsitte Dense-tulostuspään.

ResNet50 on vahvempi oletusvalinta. Seuraavaksi poistamme kerrosten jäädytyksen hienosäätöä varten.

Aloita maksutta

Opi Python tekoälytuutorin avulla — ilmaiseksi

Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.

Kurssit: 53
Oppitunnit: 225

Aloita opiskelu maksutta Näytä koko kurssi

Usein kysytyt kysymykset

Onko oppitunti ”VGG16:n ja ResNet50:n käyttö perusmalleina” ilmainen?

Kyllä — voit lukea täällä verkossa kokonaan ilmaiseksi mitkä tahansa Oppikaa tekoälyä Pythonilla-oppimispolun 3 oppituntia, myös oppitunnin “VGG16:n ja ResNet50:n käyttö perusmalleina”. Sen jälkeen CoddyKit PRO avaa kaikki oppitunnit sekä interaktiiviset harjoitukset sisäänrakennetulla koodieditorilla ja ympäri vuorokauden toimivalla tekoälytuutorilla. Oppikaa tekoälyä Pythonilla-kurssilla on yhteensä 4 oppituntia.

Mitä opin oppitunnilla ”VGG16:n ja ResNet50:n käyttö perusmalleina”?

keras.applications.VGG16(weights='imagenet', include_top=False), mukautetun yläosan lisääminen. Harjoittelet Oppikaa tekoälyä Pythonilla-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.

Tarvitsenko kokemusta aloittaakseni Oppikaa tekoälyä Pythonilla-opiskelun?

Aiempi kokemus ei ole tarpeen. CoddyKitin Oppikaa tekoälyä Pythonilla-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 2/4.

Kuinka kauan ”VGG16:n ja ResNet50:n käyttö perusmalleina”-oppitunnin suorittaminen kestää?

Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.

Voinko kirjoittaa ja suorittaa koodia tällä Oppikaa tekoälyä Pythonilla-oppitunnilla?

Kyllä. Jokainen Oppikaa tekoälyä Pythonilla-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.

Kaikki tämän kurssin oppitunnit

Siirto-oppimisen käsitteet ja strategiat
VGG16:n ja ResNet50:n käyttö perusmalleina
Hienosäätö: kerrosten vapauttaminen ja uudelleenkoulutus
MobileNet ja EfficientNet reunalaitteille käyttöönotettaviksi

← Takaisin: Oppikaa tekoälyä Pythonilla