Deep Learning für Programmierer mit fastai und PyTorch

Kapitel 15. Anwendungsarchitekturen - ein tiefer Einblick

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Wir sind jetzt in der spannenden Situation, dass wir die Architekturen, die wir für unsere hochmodernen Modelle für Computer Vision, natürliche Sprachverarbeitung und Tabellenanalyse verwendet haben, vollständig verstehen können. In diesem Kapitel werden wir alle fehlenden Details darüber aufklären, wie die fastai-Anwendungsmodelle funktionieren, und dir zeigen, wie du sie bauen kannst.

Wir werden auch auf die benutzerdefinierte Datenvorverarbeitungspipeline zurückgreifen, die wir inKapitel 11 für Siamesische Netze kennengelernt haben, und dir zeigen, wie du die Komponenten in der fastai-Bibliothek verwenden kannst, um benutzerdefinierte vortrainierte Modelle für neue Aufgaben zu erstellen.

Wir beginnen mit Computer Vision.

Computer Vision

Für Computer-Vision-Anwendungen verwenden wir je nach Aufgabe die Funktionen cnn_learner undunet_learner, um unsere Modelle zu erstellen.In diesem Abschnitt erfahren wir, wie wir die Learner Objekte erstellen, die wir in Teil I und II dieses Buches verwendet haben.

cnn_Learner

Schauen wir uns an, was passiert, wenn wir die Funktioncnn_learner verwenden. Wir beginnen damit, dass wir der Funktion eine Architektur übergeben, die wir für den Körperdes Netzwerks verwenden. In den meisten Fällen verwenden wir ein ResNet, dessen Erstellung du bereits kennst ...