Reconnaissance et détection d'images - Notes

Reconnaissance et détection d'images

1.Variable

In Torch Dans Variable C'est un endroit pour stocker des valeurs qui changent（Panier）. Les valeurs changent constamment. Valeur à l'intérieur,C'estTensorTenseur（Oeufs）.

import torch
from torch.autograd import Variable # torch Moyenne Variable Module
# Préparer les œufs
tensor = torch.FloatTensor([[1,2],[3,4]])
# Mets les œufs dans le panier, requires_gradEst de participer ou non à la Rétropropagation des erreurs, Voulez - vous calculer le gradient
variable = Variable(tensor, requires_grad=True)

print("Tensor:\n" + str(tensor))
print("\n")
print("Variable:\n" + str(variable))

2. Variable Calcul, Gradient

t_out = torch.mean(tensor*tensor)       # x^2
v_out = torch.mean(variable*variable)   # x^2
print(t_out)
print(v_out) 

Jusqu'à présent, On ne voit pas la différence. , Mais rappelez - vous toujours , Variable Au moment du calcul, Il construit un énorme système derrière le rideau de fond. , Appelé diagramme de calcul , computational graph. À quoi sert cette image? ? Il s'est avéré que toutes les étapes de calcul (Noeud) Tout est connecté. , La dernière fois que l'erreur est inversée, Une fois pour toutes variable Plage de modification à l'intérieur (Gradient) Tout est calculé, Et tensor Ce n'est pas possible. .

v_out = torch.mean(variable*variable)#  Est une étape de calcul ajoutée au diagramme de calcul ,  Il a été crédité d'avoir calculé le transfert inverse des erreurs ,  Prenons un exemple. :
v_out.backward()    # Simulation v_out  Erreur de transfert inverse 

# v_out = torch.mean(variable*variable) C'est la définition
# v_out = 1/4 * sum(variable*variable)  C'est ce qui se trouve dans le graphique de calcul  v_out Formule mathématique réelle pour 
# Pour v_out Le gradient de：
# d(v_out)/d(variable) = 1/4*2*variable = variable/2
print("variable.grad:\n")
print(variable.grad)    # Initial Variable Le gradient de

3. Accès Variable Les données à l'intérieur

Directprint(variable)Seulement la sortie Variable Données sous forme de, Ça ne marche pas souvent. ( Comme essayer d'utiliser plt Dessin), Donc nous devons changer , Et le transformer en tensor Forme

print(variable)     # Variable Forme
print(variable.data)    # tensor Forme
print(variable.data.numpy())    # numpy Forme

4. Fonction d'excitation (Activation)

Fonction d'excitation commune：Relu, Sigmoid, Tanh, Softplus

import torch
import torch.nn.functional as F     #  Les fonctions d'excitation sont là. 
from torch.autograd import Variable

x = torch.linspace(-5, 5, 200)  # x data (tensor), shape=(100, 1)
x = Variable(x)
print(x.shape)

import matplotlib.pyplot as plt

plt.figure(1, figsize=(8, 6))
plt.subplot(221)
plt.plot(x_np, y_relu, c='red', label='relu')
plt.ylim((-1, 5))
plt.legend(loc='best')

plt.subplot(222)
plt.plot(x_np, y_sigmoid, c='red', label='sigmoid')
plt.ylim((-0.2, 1.2))
plt.legend(loc='best')

plt.subplot(223)
plt.plot(x_np, y_tanh, c='red', label='tanh')
plt.ylim((-1.2, 1.2))
plt.legend(loc='best')

plt.subplot(224)
plt.plot(x_np, y_softplus, c='red', label='softplus')
plt.ylim((-0.2, 6))
plt.legend(loc='best')

plt.show()

5. Regression

import torch
import torch.nn.functional as F     #  Les fonctions d'excitation sont là. 
import matplotlib.pyplot as plt
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size())                 # noisy y data (tensor), shape=(100, 1)

# Dessin
plt.scatter(x.data.numpy(), y.data.numpy())
plt.show()

torch.unsqueeze(input, dim, out=None) Action：Dimension étendue Renvoie un nouveau tenseur,Insérer une dimension à l'emplacement prévu de l'entrée 1 Attention!： Mémoire partagée entre le tenseur de retour et le tenseur d'entrée,Donc changer le contenu de l'un change l'autre
torch.linspace(start, end, steps=100, out=None) Retour à un1Tenseur dimensionnel,Inclus dans la SectionstartEtendEspacé uniformémentstepUn point.La longueur du tenseur de sortie est déterminée parstepsDécide que.
Paramètres： start (float) - Point de départ de l'intervalle end (float) - Fin de l'intervalle steps (int) - InstartEtendNombre d'échantillons générés entre out (Tensor, optional) - Tenseur de résultat
torch.rand(*sizes, out=None) → Tensor Renvoie un tenseur,Inclus à partir de l'intervalle[0,1)Un ensemble de nombres aléatoires tirés d'une distribution uniforme de,Forme par paramètre variablesizes Définition.
Paramètres: sizes (int…) – Séquence entière,Forme de sortie définie out (Tensor, optinal) - Tenseur de résultat

6. Mise en place d'un réseau neuronal

class Net(torch.nn.Module):  # Succession torch De Module
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()     # Succession __init__ Fonction
        #  Définir la forme de chaque couche 
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   #  Sortie linéaire de la couche cachée 
        self.predict = torch.nn.Linear(n_hidden, n_output)   #  Sortie linéaire de la couche de sortie 

    def forward(self, x):   # Et c'est aussi Module Dans forward Fonction
        #  Valeur d'entrée de propagation vers l'avant ,  Analyse de la valeur de sortie du réseau neuronal 
        x = F.relu(self.hidden(x))      # Fonction d'excitation( Masquer les valeurs linéaires des couches )
        x = self.predict(x)             # Valeur de sortie
        return x

net = Net(n_feature=1, n_hidden=10, n_output=1)

print(net)

net2 = torch.nn.Sequential(
    torch.nn.Linear(1, 10),
    torch.nn.ReLU(),
    torch.nn.Linear(10, 1)
)
print(net2)

7. Réseau de formation

# optimizer  C'est un outil d'entraînement. 
optimizer = torch.optim.SGD(net.parameters(), lr=0.2)  # Entrée net Tous les paramètres de, Taux d'apprentissage
loss_func = torch.nn.MSELoss()      #  Formules de calcul des erreurs pour les valeurs prédites et réelles  (Variance carrée moyenne)

epochs = 200

plt.ion()   # Dessin
plt.show()

for t in range(epochs):
    prediction = net(x)     # Tiens. net Données sur la formation x, Prévisions de sortie

    loss = loss_func(prediction, y)     # Calculer l'erreur entre les deux

    optimizer.zero_grad()   # Effacer les valeurs résiduelles des paramètres de mise à jour de l'étape précédente
    loss.backward()         # Erreur de Rétropropagation, Calculer les valeurs de mise à jour des paramètres
    optimizer.step()        # Appliquer la valeur de mise à jour du paramètre à net De parameters Allez.
    
    #Dessin
    if t % 5 == 0:
        # plot and show learning process
        plt.cla()
        plt.scatter(x.data.numpy(), y.data.numpy())
        plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
        plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={
    'size': 20, 'color':  'red'})
        plt.pause(0.1)