Deep Learning per programmatori con fastai e PyTorch

Capitolo 15. Approfondimento sulle architetture applicative

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Ora siamo nella posizione entusiasmante di poter comprendere appieno le architetture che abbiamo utilizzato per i nostri modelli all'avanguardia per la computer vision, l'elaborazione del linguaggio naturale e l'analisi tabellare. In questo capitolo, forniremo tutti i dettagli mancanti sul funzionamento dei modelli applicativi di fastai e ti mostreremo come costruirli.

Torneremo anche alla pipeline di pre-elaborazione dei dati personalizzata che abbiamo visto nelCapitolo 11 per le reti siamesi e ti mostreremo come utilizzare i componenti della libreria fastai per costruire modelli pre-addestrati personalizzati per nuovi compiti.

Inizieremo con la computer vision.

Visione artificiale

Per le applicazioni di computer vision, utilizziamo le funzioni cnn_learner eunet_learner per costruire i nostri modelli, a seconda del compito da svolgere.In questa sezione esploreremo come costruire gli oggetti Learner che abbiamo utilizzato nelle parti I e II di questo libro.

cnn_learner

Vediamo cosa succede quando utilizziamo la funzionecnn_learner. Iniziamo passando a questa funzione un'architettura da utilizzare per il corpodella rete. Nella maggior parte dei casi utilizziamo una ResNet, che sai già come creare, quindi non è necessario approfondire ulteriormente l'argomento. I pesi pre-addestrati ...