產(chǎn)品經(jīng)理也能動手實踐的AI(八)- Resnet Unet GANS RNN

正文共:?2336字?22圖

預(yù)計閱讀時間:?6分鐘

最后一節(jié)課了谨垃,很多更細(xì)致的內(nèi)容會在part2展開,新的part2會在6月28號放出來,據(jù)說共7節(jié)敦捧,并且會有2節(jié)專門講swift。

1.概覽

  • 更細(xì)致的創(chuàng)建Databunch

  • 從頭創(chuàng)建一個CNN

  • ResNet?

  • U-net

  • GAN

  • RNN


2.1 核心機器學(xué)習(xí)概念

  • 很多碰镜,但是都一筆帶過兢卵,說在part2中詳細(xì)講解

2.2 FastAI

  • split_none:創(chuàng)建databunch的過程,不劃分訓(xùn)練/驗證組時也要進行這樣一個文件轉(zhuǎn)化

  • data.one_batch:獲取一個batch的數(shù)據(jù)

2.3 Python

  • PIL/Pillow:Python Imaging Library

  • parallel:并行處理任務(wù)绪颖,可以變快


3.1 創(chuàng)建DataBunch詳細(xì)講解

共分4個步驟:創(chuàng)建圖片合集秽荤、訓(xùn)練集劃分、打標(biāo)簽柠横、(圖片變形)窃款、創(chuàng)建數(shù)據(jù)集

3.2?從頭創(chuàng)建一個卷積神經(jīng)網(wǎng)絡(luò)

初始圖片是28x28的尺寸,因為stride是2牍氛,所以每一次Conv2d后尺寸就會縮小一倍晨继,但是kernel有8個,所以輸出的channel有8個搬俊。

最后Flatten將矩陣轉(zhuǎn)化成一個10個數(shù)的vector紊扬,從而可以和結(jié)果0-9進行比對蜒茄。

model = nn.Sequential(    nn.Conv2d(1, 8, kernel_size=3, stride=2, padding=1), # 14x14    nn.BatchNorm2d(8),    nn.ReLU(),    nn.Conv2d(8, 16, kernel_size=3, stride=2, padding=1), # 7x7    nn.BatchNorm2d(16),    nn.ReLU(),    nn.Conv2d(16, 32, kernel_size=3, stride=2, padding=1), # 4x4    nn.BatchNorm2d(32),    nn.ReLU(),    nn.Conv2d(32, 16, kernel_size=3, stride=2, padding=1), # 2x2    nn.BatchNorm2d(16),    nn.ReLU(),    nn.Conv2d(16, 10, kernel_size=3, stride=2, padding=1), # 1x1    nn.BatchNorm2d(10),    Flatten()     # remove (1,1) grid)


3.3 ResNet

是不是層越多,效果越好呢餐屎?實驗證明并不是檀葛,但為什么呢?也許是方法不對啤挎,所以就發(fā)現(xiàn)了ResNet

這就是ResNet的核心驻谆,一個ResBlock的工作原理:2個卷積層之后,把結(jié)果和輸入值相加

為什么ResNet的效果好庆聘,如下圖y軸表示的是loss胜臊,ResNet可以更平滑的找到低點

近些年還流行一個DenseNet,適用于小規(guī)模數(shù)據(jù)/圖像分割伙判,可以達(dá)到更好的效果象对。而它和ResNet的唯一區(qū)別就是最后相加的時候,采取合并的方式宴抚,cat([x,x.orig])勒魔。


3.4 U-net

看形狀就知道這是U-net,而且很容易看出分2部分菇曲,下降的部分和stride 2 的cnn一樣冠绢,叫做encoder;

而上升的部分常潮,叫decoder弟胀,類似于放大一張圖,試想一下可以有幾種方式:

更多細(xì)節(jié)請參考源代碼

UnetBlock?DynamicUnet

unet_learner


3.5 GAN

GAN的本質(zhì)就是一個具備復(fù)雜的loss function的神經(jīng)網(wǎng)絡(luò)喊式,本課講解了這個loss fn是如何一步步進化的:

  1. MSE loss:只比較生成圖像和目標(biāo)圖像每個像素點的MSE孵户,能實現(xiàn)去水印的效果,但是并沒有讓圖片變清晰

  2. Critic:增加一個評論家的角色岔留,訓(xùn)練成可以鑒別清晰和模糊圖像的神經(jīng)網(wǎng)絡(luò)夏哭,然后將區(qū)分效果作為loss,也就是越分不清哪張圖是清晰的献联,loss就越低竖配。所以這樣圖片就清晰了,但是動物的眼睛還是模糊的

  3. Feature loss/Perceptual loss:來衡量圖片特征的接近程度里逆,運用pytorch的hook函數(shù)进胯,將訓(xùn)練過程中每個Activations的特征值存下來,進行比較

  4. GAN:將generator和critic整合到一起运悲,相當(dāng)于Generator每次輸出圖片龄减,都用于critic的訓(xùn)練项钮,而critic訓(xùn)練好的模型班眯,可以作為generator的loss function

Crappify:把高質(zhì)量圖片處理成低質(zhì)量圖片(function)

Generator:目標(biāo)是生成高質(zhì)量圖片(Model)

Critic:高低質(zhì)量圖片分類器(Model)


3.6 RNN 遞歸神經(jīng)網(wǎng)絡(luò)/循環(huán)神經(jīng)網(wǎng)絡(luò)

這里的例子是希停,根據(jù)一句話預(yù)測下一個單詞。

先從一個最基本的神經(jīng)網(wǎng)絡(luò)開始署隘,了解圖形和箭頭的含義

然后搭建一個最基本的原型宠能,根據(jù)單詞1,2磁餐,預(yù)測單詞3

然后再下一步违崇,根據(jù)單詞123預(yù)測4

于是找到規(guī)律,根據(jù)n-1個單詞诊霹,預(yù)測第n個單詞

然后發(fā)現(xiàn)預(yù)測第n個詞時羞延,不用每次都把之前n-1個單詞算一遍,他們有之前算過的脾还,所以可以存下來伴箩,作為輸入值,在下一次預(yù)測時會用到

于是生成了一個結(jié)構(gòu)鄙漏,每次輸出前的Activation都可以作為下一次運算的輸入值嗤谚,就是有個遞歸關(guān)系的RNN

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市怔蚌,隨后出現(xiàn)的幾起案子巩步,更是在濱河造成了極大的恐慌,老刑警劉巖桦踊,帶你破解...
    沈念sama閱讀 218,284評論 6 506
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件椅野,死亡現(xiàn)場離奇詭異,居然都是意外死亡钞钙,警方通過查閱死者的電腦和手機鳄橘,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,115評論 3 395
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來芒炼,“玉大人瘫怜,你說我怎么就攤上這事”竟簦” “怎么了鲸湃?”我有些...
    開封第一講書人閱讀 164,614評論 0 354
  • 文/不壞的土叔 我叫張陵,是天一觀的道長子寓。 經(jīng)常有香客問我暗挑,道長,這世上最難降的妖魔是什么斜友? 我笑而不...
    開封第一講書人閱讀 58,671評論 1 293
  • 正文 為了忘掉前任炸裆,我火速辦了婚禮,結(jié)果婚禮上鲜屏,老公的妹妹穿的比我還像新娘烹看。我一直安慰自己国拇,他們只是感情好,可當(dāng)我...
    茶點故事閱讀 67,699評論 6 392
  • 文/花漫 我一把揭開白布惯殊。 她就那樣靜靜地躺著酱吝,像睡著了一般。 火紅的嫁衣襯著肌膚如雪土思。 梳的紋絲不亂的頭發(fā)上务热,一...
    開封第一講書人閱讀 51,562評論 1 305
  • 那天,我揣著相機與錄音己儒,去河邊找鬼崎岂。 笑死,一個胖子當(dāng)著我的面吹牛闪湾,可吹牛的內(nèi)容都是我干的该镣。 我是一名探鬼主播,決...
    沈念sama閱讀 40,309評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼响谓,長吁一口氣:“原來是場噩夢啊……” “哼损合!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起娘纷,我...
    開封第一講書人閱讀 39,223評論 0 276
  • 序言:老撾萬榮一對情侶失蹤嫁审,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后赖晶,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體律适,經(jīng)...
    沈念sama閱讀 45,668評論 1 314
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,859評論 3 336
  • 正文 我和宋清朗相戀三年遏插,在試婚紗的時候發(fā)現(xiàn)自己被綠了捂贿。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 39,981評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡胳嘲,死狀恐怖厂僧,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情了牛,我是刑警寧澤颜屠,帶...
    沈念sama閱讀 35,705評論 5 347
  • 正文 年R本政府宣布,位于F島的核電站鹰祸,受9級特大地震影響甫窟,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜蛙婴,卻給世界環(huán)境...
    茶點故事閱讀 41,310評論 3 330
  • 文/蒙蒙 一粗井、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦浇衬、人聲如沸呆瞻。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,904評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至颤介,卻和暖如春梳星,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背滚朵。 一陣腳步聲響...
    開封第一講書人閱讀 33,023評論 1 270
  • 我被黑心中介騙來泰國打工冤灾, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人辕近。 一個月前我還...
    沈念sama閱讀 48,146評論 3 370
  • 正文 我出身青樓韵吨,卻偏偏與公主長得像,于是被迫代替她去往敵國和親移宅。 傳聞我的和親對象是個殘疾皇子归粉,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 44,933評論 2 355

推薦閱讀更多精彩內(nèi)容