14 Учебное пособие по PyTorch - Как создать сиамские сети и систему распознавания лиц

• В этом уроке будет рассмотрена сиамская нейронная сеть, которая используется для определения того, насколько похожи два изображения.  

• После обучения, нейронная сеть может сравнить изображение с изображением из каждой категории и определить, какая категория наиболее похожа на заданное изображение.  

• В качестве набора данных будет использоваться набор данных AT&T, который состоит из 400 выборок размером 92x112 и содержит 40 разных людей в разных позах.  

• В сети есть две идентичные нейронные сети, которые имеют одинаковую архитектуру.  

• Входной слой принимает изображение, затем следуют три свертки с максимальным объединением, после чего выходные данные третьей свертки поступают в полностью подключенный слой, затем в другой, и на выходе получаются два числа.  

• Эти два числа затем поступают в функцию контрастных потерь.  

• В кодировании используется сверточный слой, который принимает одномерное изображение в оттенках серого и выводит 96 чисел.  

• Затем следуют три свертки, активация relu, максимальный пул, еще одна свертка, активация value и полностью подключенный слой, который принимает 384 числа и выдает два числа.  

• Модель обучается на изображениях, используя функцию переадресации, которая автоматически переходит к функции переадресации при вызове модели на изображениях.  

• Входные данные - это два изображения, которые затем проходят через свертки, выравниваются и передаются в полностью подключенный слой для получения выходных данных.  

• В этом видео мы рассмотрим, как использовать сиамские нейронные сети для различения лиц.  

• Мы будем использовать набор данных, который содержит изображения лиц, и обучать модель на основе этих данных.  

• Мы создадим модель, которая будет иметь два одинаковых веса, и обучим ее с помощью функции контрастных потерь.  

• Мы также установим предел равным двум, чтобы избежать переобучения.  

• Мы будем обучать модель на основе набора данных, используя функцию контрастных потерь и оптимизатор.  

• Мы будем отслеживать потери и итерации, чтобы увидеть, как модель обучается.  

• Мы протестируем нашу модель, используя тестовый набор данных, и сравним результаты с исходными изображениями.  

• Мы увидим, что модель успешно различает лица, даже если они почти идентичны.