Blog ini akan membincangkan bagaimana ' Pemadaman Rawak ” kaedah berfungsi dalam PyTorch.
Mengapakah Kaedah 'Pemadaman Rawak' Digunakan dalam PyTorch?
Pembuangan rawak data daripada imej menimbulkan masalah untuk latihan model analisis imej kerana mereka terpaksa menyesuaikan diri dengan data yang tidak mencukupi. Ini menyediakan model untuk tugas dunia sebenar di mana data lengkap tidak selalu ada. Model menjadi lebih baik kerana dapat membuat kesimpulan daripada semua jenis data dan berjaya memaparkan hasil. Pemilihan piksel untuk dialih keluar adalah rawak jadi tiada pengenalan bias dan imej yang terhasil digunakan sebagai data input semasa latihan.
Bagaimanakah Kaedah 'Pemadaman Rawak' Berfungsi dalam PyTorch?
Kaedah Pemadaman Rawak digunakan untuk menjadikan model pembelajaran mendalam lebih lengkap untuk mengendalikan aplikasi sebenar. Ikuti langkah yang diberikan di bawah untuk mengetahui cara menggunakannya dalam projek PyTorch anda untuk meningkatkan pengurusan data mereka dan meningkatkan keupayaan inferens:
Langkah 1: Sediakan IDE Kerjasama
Google Colab ialah pilihan ideal untuk pembangunan model AI menggunakan rangka kerja PyTorch. Navigasi ke Kolaboratori laman web dan melancarkan ' Buku Nota Baharu ”:
Langkah 2: Import Perpustakaan yang Diperlukan
Menggunakan ' !pip ” pemasang pakej yang disediakan oleh Python untuk memasang perpustakaan dan menggunakan “ import ” perintah untuk mengimportnya ke dalam projek:
import oborimport torchvision. berubah sebagai ts
daripada PIL import Gambar
import matplotlib. piplot sebagai plt
Penerangan kod yang diberikan adalah seperti berikut:
- Import ' obor perpustakaan menggunakan ' import ” perintah.
- ' torchvision.transforms pakej ” mengandungi transformasi untuk Pemadaman Rawak.
- “ PIL ” ialah perpustakaan imej python dan ia mengandungi fungsi untuk memproses imej.
- ' matplotlib.pyplot ” perpustakaan digunakan untuk menggambarkan imej asal dan diubah:
Langkah 3: Muat naik imej Input
Muat naik imej dalam bahagian Fail:
Seterusnya, muatkan imej input menggunakan ' buka() ' kaedah modul 'Imej':
gambar = Gambar. buka ( 'a2.jpeg' )Langkah 4: Tentukan Transformasi untuk Melaksanakan Transformasi
Sekarang, tentukan ' RandomErasing ” pengubah yang akan mengubah imej dengan memilih kawasan segi empat tepat rawak dan memadamkan pikselnya. Di samping itu, tukar imej input kepada penderia obor menggunakan ' ToTensor() kaedah ' jika ia adalah imej PIL dan kemudian tukarkannya semula kepada imej PIL melalui ' ToPILImage() ”:
mengubah = ts. Karang ( [ ts. ToTensor ( ) , ts. RandomErasing ( hlm = 0.5 , skala = ( 0.02 , 0.33 ) , nisbah = ( 0.3 , 3.3 ) , nilai = 0 , di tempat = Salah ) , ts. ToPILImage ( ) ] )Parameter yang digunakan dalam ' RandomErasing ” transformer dijelaskan di bawah:
- p: Ia mewakili kebarangkalian bahawa operasi menaikkan rawak akan dicapai.
- skala: Ia menunjukkan julat kawasan yang dipadamkan bagi imej input.
- nisbah: Ia menandakan nisbah bidang bagi kawasan yang dipadamkan.
- nilai: Ia menentukan nilai pemadaman iaitu '0' secara lalai. Jika ia adalah integer tunggal maka ia mengalih keluar semua piksel, dan jika ia adalah tuple yang mempunyai tiga integer maka ia mengalih keluar saluran R, G dan B masing-masing.
- di tempat: Ia ialah nilai 'boolean' yang menjadikan pengubah pemadam rawak yang diberikan sebagai ganti. Secara lalai, ia adalah 'palsu'.
Langkah 5: Gunakan Pemahaman Kamus untuk Mengambil Imej Output
Gunakan konsep pemahaman kamus untuk mengambil empat imej keluaran:
imej = [ mengubah ( gambar ) untuk _ dalam julat ( 4 ) ]Langkah 6: Pamerkan Empat Imej Output
Akhir sekali, paparkan empat imej output dengan bantuan blok kod yang dinyatakan di bawah:
ara = plt. angka ( buah ara = ( 7 , 4 ) )barisan , cols = 2 , 2
untuk j dalam julat ( 0 , sahaja ( imej ) ) :
ara. add_subplot ( barisan , cols , j+ 1 )
plt. tayangan ( imej [ j ] )
plt. xticks ( [ ] )
plt. yticks ( [ ] )
plt. tunjuk ( )
Penerangan kod di atas adalah seperti berikut:
- Guna ' plt.figure() ” kaedah untuk memplot empat imej lebar dan tinggi yang ditentukan.
- Kemudian, tentukan baris dan lajur tertentu untuk melaraskan empat imej.
- Selepas itu mulakan gelung 'untuk' yang menggunakan ' subplot() ” kaedah untuk mentakrifkan subplot, kaedah “show()” untuk menunjukkan imej dan “ plt.xticks() ” serta “ plt.yticks() ” untuk menetapkan lokasi tanda semasa dan label paksi-x dan y.
- Akhir sekali, gunakan ' plt.show() ” kaedah untuk mencetak imej untuk dikeluarkan:
Catatan : Pengguna boleh mengakses Buku Nota Colab kami menggunakan yang disediakan pautan .
Petua Pro
Satu penggunaan utama ' Pemadaman Rawak ” kaedah dalam projek PyTorch ialah keselamatan. Ia boleh digunakan untuk mengalih keluar piksel daripada imej sensitif seperti yang mengandungi beberapa rahsia perdagangan atau sesuatu yang lain yang bernilai. Fungsi rawak khusus untuk pemadaman ini hanya akan diketahui oleh pengguna asal dan hanya pengguna akan dapat memulihkan imej yang dipadam kembali ke versi asalnya.
Berjaya! Kami telah menunjukkan cara kaedah pemadaman rawak berfungsi dalam PyTorch.
Kesimpulan
' Pemadaman Rawak ” kaedah dalam PyTorch berfungsi dengan mengalih keluar piksel rawak daripada imej dan meniru senario dunia sebenar untuk melatih model dengan lebih baik. Ini akan menjadikan model lebih mahir dalam mengendalikan pelbagai jenis data untuk membuat inferens berkualiti daripada data yang tidak lengkap. Kami telah menggambarkan cara menggunakan ' Pemadaman Rawak ” kaedah dalam PyTorch.