#30. Сверточные нейронные сети VGG-16 и VGG-19 | Нейросети на PyTorch

• Сергей Балакирев представляет курс по нейронным сетям.  

• Рассматриваются две популярные архитектуры сверточных нейронных сетей: VGG16 и VGG19.  

• VGG16 достигла точности 92.7% на соревнованиях по распознаванию изображений.  

• Входное изображение RGB 224x224 пикселей.  

• Два сверточных слоя с 64 фильтрами, формирующие карты признаков 224x224.  

• Слой MaxPooling уменьшает размер карт признаков до 112x112.  

• Следующие два сверточных слоя с 128 фильтрами и размером фильтров 3x3.  

• Процесс повторяется с увеличением числа фильтров.  

• Последний слой MaxPooling формирует тензор 512x7x7.  

• Тензор подается на полносвязную сеть с тремя слоями: скрытые слои 4096 нейронов и выходной слой 1000 нейронов.  

• Два сверточных слоя эквивалентны одному с ядром 5x5.  

• Два слоя с ядрами 3x3 имеют меньше параметров и оптимизированы для графических процессоров.  

• Использование классов для создания моделей VGG16 и VGG19.  

• Импорт необходимых модулей и создание модели.  

• Загрузка обученных весовых коэффициентов и использование объекта для дополнительной информации.  

• Загрузка и преобразование изображения.  

• Применение трансформаций к изображению.  

• Перевод модели в режим эксплуатации и подача изображения на вход.  

• Метод сквис убирает первую ось, отвечающую за батча.  

• Модель шестнадцать фреворка пай-торч не применяет функцию активации для последнего слоя.  

• Применяем функцию активации софт макс и сортируем результаты по убыванию.  

• Выводим первые пять элементов с помощью цикла.  

• Метод сорт возвращает пару индексы и значения.  

• Перебираем объект рс по индексам и значениям.  

• Выводим расшифровку класса и вероятность уверенности сети в классе.  

• Нейронная сеть считает, что на изображении представлен спорткар с уверенностью 94%.  

• Остальные классы имеют практически нулевую вероятность.  

• Сеть уверенно классифицировала изображение спортивного автомобиля.  

• Модель содержит атрибуты фьючерс для сверточных слоев и классифир для полносвязных.  

• Команда позволяет выделять только сверточные слои.  

• Пропускаем изображение через сверточные слои для задач, где не нужна классификация.  

• Преобразование трансформ один можно повторить самостоятельно.  

• Импортируем модуль торч и используем преобразование из модуля ва.  

• Преобразование включает ресайз, обрезку, нормализацию и перевод в формат флоу тридцать два.  

• Преобразование трансформ два можно использовать вместо трансформ один.