Αυτό το ιστολόγιο θα συζητήσει πώς το ' Τυχαία διαγραφή Η μέθοδος λειτουργεί στο PyTorch.
Γιατί χρησιμοποιείται η μέθοδος 'Τυχαία διαγραφή' στο PyTorch;
Η τυχαία αφαίρεση δεδομένων από τις εικόνες παρουσιάζει πρόβλημα για την εκπαίδευση των μοντέλων ανάλυσης εικόνας επειδή αναγκάζονται να προσαρμοστούν σε ανεπαρκή δεδομένα. Αυτό προετοιμάζει ένα μοντέλο για εργασίες πραγματικού κόσμου όπου δεν υπάρχουν πάντα πλήρη δεδομένα. Το μοντέλο γίνεται πολύ καλύτερο στο να μπορεί να εξάγει συμπεράσματα από όλα τα είδη δεδομένων και να καταφέρνει να εμφανίζει αποτελέσματα. Η επιλογή των εικονοστοιχείων για αφαίρεση είναι τυχαία, επομένως δεν υπάρχει εισαγωγή μεροληψίας και η εικόνα που προκύπτει χρησιμοποιείται ως δεδομένα εισόδου κατά τη διάρκεια της εκπαίδευσης.
Πώς λειτουργεί η μέθοδος 'Τυχαία διαγραφή' στο PyTorch;
Η μέθοδος Random Erasing χρησιμοποιείται για να κάνει ένα μοντέλο βαθιάς μάθησης καλύτερα εξοπλισμένο για να χειρίζεται πραγματικές εφαρμογές. Ακολουθήστε τα παρακάτω βήματα για να μάθετε πώς να το χρησιμοποιείτε στα έργα σας στο PyTorch, προκειμένου να αυξήσετε τη διαχείριση των δεδομένων τους και να βελτιώσετε τις δυνατότητες εξαγωγής συμπερασμάτων:
Βήμα 1: Ρυθμίστε το συνεργατικό IDE
Το Google Colab είναι μια ιδανική επιλογή για την ανάπτυξη μοντέλων AI χρησιμοποιώντας το πλαίσιο PyTorch. Πλοηγηθείτε στο Συνεργείο δικτυακός τόπος και ξεκινήστε ένα ' Νέο Σημειωματάριο ”:
Βήμα 2: Εισαγάγετε τις Απαραίτητες Βιβλιοθήκες
Χρησιμοποιήστε το ' !κουκούτσι ' πρόγραμμα εγκατάστασης πακέτων που παρέχεται από την Python για την εγκατάσταση βιβλιοθηκών και τη χρήση του ' εισαγωγή ” εντολή για την εισαγωγή τους στο έργο:
εισαγωγή δάδαεισαγωγή δαυλός. μεταμορφώνει όπως και ts
από PIL εισαγωγή Εικόνα
εισαγωγή matplotlib. pyplot όπως και plt
Η περιγραφή του συγκεκριμένου κώδικα έχει ως εξής:
- Εισαγάγετε το ' δάδα ' βιβλιοθήκη χρησιμοποιώντας το ' εισαγωγή ' εντολή.
- Ο ' λαμπαδηδρομία.μεταμορφώνεται Το πακέτο περιέχει τους μετασχηματισμούς για τυχαία διαγραφή.
- ' PIL ” είναι η βιβλιοθήκη εικόνων python και περιέχει τη λειτουργικότητα για την επεξεργασία εικόνων.
- Ο ' matplotlib.pyplot Η βιβλιοθήκη χρησιμοποιείται για την οπτικοποίηση των αρχικών και μετασχηματισμένων εικόνων:
Βήμα 3: Ανεβάστε την εικόνα Εισόδου
Ανεβάστε την εικόνα στην ενότητα Αρχεία:
Στη συνέχεια, φορτώστε την εικόνα εισόδου χρησιμοποιώντας το ' Άνοιξε() ' μέθοδος της ενότητας 'Εικόνα':
εικόνα = Εικόνα. Άνοιξε ( 'a2.jpeg' )Βήμα 4: Καθορίστε το Transform to Perform Transformations
Τώρα, ορίστε ένα ' Τυχαία διαγραφή μετασχηματιστής που θα μεταμορφώσει την εικόνα επιλέγοντας την τυχαία ορθογώνια περιοχή της και σβήνοντας τα pixel της. Επιπλέον, μετατρέψτε την εικόνα εισόδου στον αισθητήρα φακού χρησιμοποιώντας το ' ToTensor() ' μέθοδος εάν είναι εικόνα PIL και στη συνέχεια μετατρέψτε την ξανά στην εικόνα PIL μέσω του ' ToPILImage() ”:
μεταμορφώνω = ts. Συνθέτω ( [ ts. ToTensor ( ) , ts. Τυχαία διαγραφή ( Π = 0,5 , κλίμακα = ( 0,02 , 0,33 ) , αναλογία = ( 0.3 , 3.3 ) , αξία = 0 , στη θέση = Ψευδής ) , ts. ToPILImage ( ) ] )Οι παράμετροι που χρησιμοποιούνται στα παραπάνω ' Τυχαία διαγραφή Ο μετασχηματιστής εξηγείται παρακάτω:
- Π: Αντιπροσωπεύει την πιθανότητα να επιτευχθεί η τυχαία λειτουργία ανύψωσης.
- κλίμακα: Υποδεικνύει το εύρος της διαγραμμένης περιοχής μιας εικόνας εισόδου.
- αναλογία: Υποδηλώνει την αναλογία διαστάσεων της περιοχής που έχει διαγραφεί.
- αξία: Καθορίζει την τιμή διαγραφής που είναι '0' από προεπιλογή. Αν είναι ένας ακέραιος τότε αφαιρεί όλα τα εικονοστοιχεία και αν είναι πλειάδα με τρεις ακέραιους τότε αφαιρεί τα κανάλια R, G και B αντίστοιχα.
- στη θέση: Είναι μια 'boolean' τιμή που καθιστά τον συγκεκριμένο μετασχηματιστή τυχαίας διαγραφής στη θέση του. Από προεπιλογή, είναι 'ψευδή'.
Βήμα 5: Χρησιμοποιήστε την κατανόηση λεξικού για λήψη εικόνων εξόδου
Χρησιμοποιήστε την έννοια της κατανόησης λεξικού για να τραβήξετε τις τέσσερις εικόνες εξόδου:
εικόνες = [ μεταμορφώνω ( εικόνα ) Για _ σε εύρος ( 4 ) ]Βήμα 6: Παρουσιάστε τις τέσσερις εικόνες εξόδου
Τέλος, εμφανίστε τις τέσσερις εικόνες εξόδου με τη βοήθεια του παρακάτω μπλοκ κώδικα:
Σύκο = plt. εικόνα ( σύκα = ( 7 , 4 ) )σειρές , cols = 2 , 2
Για ι σε εύρος ( 0 , μόνο ( εικόνες ) ) :
Σύκο. add_subplot ( σειρές , cols , j+ 1 )
plt. imshow ( εικόνες [ ι ] )
plt. xticks ( [ ] )
plt. yticks ( [ ] )
plt. προβολή ( )
Η παραπάνω περιγραφή κώδικα έχει ως εξής:
- Εφαρμόστε το ' plt.figure() ” μέθοδος για τη σχεδίαση των τεσσάρων εικόνων καθορισμένου πλάτους και ύψους.
- Στη συνέχεια, καθορίστε συγκεκριμένες γραμμές και στήλες για να προσαρμόσετε τις τέσσερις εικόνες.
- Μετά από αυτό, αρχικοποιήστε έναν βρόχο 'για' που εφαρμόζει το ' υποπλοκή() ' μέθοδος για τον ορισμό της δευτερεύουσας πλοκής, η μέθοδος 'show()' για την εμφάνιση των εικόνων και η ' plt.xticks() ' καθώς ' plt.yticks() ” για να ορίσετε την τρέχουσα θέση και τις ετικέτες του άξονα x και y.
- Τέλος, χρησιμοποιήστε το ' plt.show() ' μέθοδος εκτύπωσης των εικόνων στην έξοδο:
Σημείωση : Οι χρήστες μπορούν να έχουν πρόσβαση στο Σημειωματάριο Colab χρησιμοποιώντας τα παρεχόμενα Σύνδεσμος .
Pro-Tip
Μία βασική χρήση του « Τυχαία διαγραφή Η μέθοδος στα έργα PyTorch είναι η ασφάλεια. Μπορεί να χρησιμοποιηθεί για την αφαίρεση pixel από ευαίσθητες εικόνες, όπως αυτές που περιέχουν κάποια εμπορικά μυστικά ή κάτι άλλο αξιόλογο. Η συγκεκριμένη τυχαία λειτουργία για αυτήν τη διαγραφή θα ήταν γνωστή μόνο στον αρχικό χρήστη και μόνο ο χρήστης θα μπορούσε να επαναφέρει τις διαγραμμένες εικόνες πίσω στην αρχική τους έκδοση.
Επιτυχία! Έχουμε δείξει πώς λειτουργεί η μέθοδος τυχαίας διαγραφής στο PyTorch.
συμπέρασμα
Ο ' Τυχαία διαγραφή Η μέθοδος στο PyTorch λειτουργεί αφαιρώντας τυχαία pixel από μια εικόνα και μιμείται ένα πραγματικό σενάριο, προκειμένου να εκπαιδεύσει καλύτερα το μοντέλο. Αυτό θα κάνει το μοντέλο πιο έμπειρο στο χειρισμό διαφορετικών τύπων δεδομένων για την εξαγωγή συμπερασμάτων ποιότητας από ελλιπή δεδομένα. Έχουμε δείξει πώς να χρησιμοποιήσετε το ' Τυχαία διαγραφή μέθοδος στο PyTorch.