Deep Learning para programadores com fastai e PyTorch

Capítulo 14. ResNets

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

Neste capítulo, vamos basear-nos nas CNNs introduzidas no capítulo anterior e explicar-te a arquitetura ResNet (rede residual). Foi introduzida em 2015 por Kaiming He et al. no artigo "Deep Residual Learning for Image Recognition" e é de longe a arquitetura de modelo mais utilizada atualmente. Desenvolvimentos mais recentes em imagem modelos quase sempre usam o mesmo truque de conexões residuais e, na maioria das vezes, são apenas um ajuste do ResNet original.

Primeiro, vamos mostrar-te a ResNet básica, tal como foi concebida, e depois explicar os ajustes modernos que a tornam mais eficiente. Mas primeiro, vamos precisar de um problema um pouco mais difícil do que o conjunto de dados MNIST, uma vez que já estamos perto dos 100% de precisão com uma CNN normal.

Go Back to Imagenette

Vai ser difícil avaliar quaisquer melhorias que façamos nos nossos modelos quando já temos uma precisão tão elevada como a que vimos no MNIST no capítulo anterior, por isso vamos abordar um problema de classificação de imagens mais difícil, voltando ao Imagenette. Vamos usar imagens pequenas para manter as coisas razoavelmente rápidas.

Vamos pegar nos dados - vamos utilizar a versão já redimensionada de 160 px para tornar as coisas ainda mais rápidas, e vamos cortar aleatoriamente para 128 px:

def get_data(url, presize, resize):
    path = untar_data(url)
    return