作者|PRUDHVI VARMA
編譯|VK
來源|Analytics Indiamag
計算機視覺因其廣泛的應用而成為人工智能領域中最具發展趨勢的子領域之一，在某些領域，甚至它們在快速準確地識別影像方面超越了人類的智能，
在本文中，我們將演示最流行的計算機視覺應用之一-多類影像分類問題，使用fastAI庫和TPU作為硬體加速器，TPU，即張量處理單元，可以加速深度學習模型的訓練程序，
本文涉及的主題：
-
多類影像分類
-
常用的影像分類模型
-
使用TPU并在PyTorch中實作
多類影像分類
我們使用影像分類來識別影像中的物件，并且可以用于檢測品牌logo、對物件進行分類等，但是這些解決方案有一個局限性，即只能識別物件，但無法找到物件的位置，但是與目標定位相比，影像分類模型更容易實作，
影像分類的常用模型
我們可以使用VGG-16/19，Resnet，Inception v1，v2，v3，Wideresnt，Resnext，DenseNet等，它們是卷積神經網路的高級變體，這些是流行的影像分類網路，并被用作許多最先進的目標檢測和分割演算法的主干，
基于FasAI庫和TPU硬體的影像分類
我們將在以下方面開展這項作業步驟：
1.選擇硬體加速器
這里我們使用Google Colab來實作，要在Google Colab中使用TPU，我們需要打開edit選項，然后打開notebook設定，并將硬體加速器更改為TPU，
通過運行下面的代碼片段，你可以檢查你的Notebook是否正在使用TPU，
import os
assert os.environ['COLAB_TPU_ADDR']
Path = 'grpc://'+os.environ['COLAB_TPU_ADDR']
print('TPU Address:', Path)
2.加載FastAI庫
在下面的代碼片段中，我們將匯入fastAI庫，
from fastai.vision import *
from fastai.metrics import error_rate, accuracy
3.定制資料集
在下面的代碼片段中，你還可以嘗試使用自定義資料集，
PATH = '/content/images/dataset'
np.random.seed(24)
tfms = get_transforms(do_flip=True)
data = https://www.cnblogs.com/panchuangai/p/ImageDataBunch.from_folder(PATH, valid_pct=0.2, ds_tfms=tfms, size=299, bs=16).normalize(imagenet_stats)
data.show_batch(rows=4, figsize=(8, 8))
4.加載預訓練的深度學習模型
在下面的代碼片段中，我們將匯入VGG-19 batch_normalisation模型，我們將把它作為fastAI的計算機視覺學習模塊的一個實體，
learn = cnn_learner(data, models.vgg19_bn, metrics=accuracy)
5.訓練模型
在下面的代碼片段中，我們嘗試使用一個epoch，
learn.fit_one_cycle(1)
在輸出中，我們可以看到我們得到了0.99的準確度，它花了1分2秒，
在下面的代碼片段中，我們使用混淆矩陣顯示結果，
con_matrix = ClassificationInterpretation.from_learner(learn)
con_matrix.plot_confusion_matrix()
6.利用模型進行預測
在下面的代碼片段中，我們可以通過在test_your_image中給出影像的路徑來測驗我們自己的影像，
test_your_image='/content/images (3).jpg'
test = open_image(test_your_image)
test.show()
在下面的代碼片段中，我們可以得到輸出張量及其所屬的類，
learn.predict(test)
正如我們在上面的輸出中看到的，模型已經預測了輸入影像的類標簽，它屬于“flower”類別，
結論
在上面的演示中，我們使用帶TPU的fastAI庫和預訓練VGG-19模型實作了一個多類的影像分類，在這項任務中，我們在對驗證資料集進行分類時獲得了0.99的準確率，
原文鏈接：https://analyticsindiamag.com/fastai-with-tpu-in-pytorch-for-multiclass-image-classification/
歡迎關注磐創AI博客站：
http://panchuang.net/
sklearn機器學習中文官方檔案：
http://sklearn123.com/
歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/79690.html
標籤：其他
上一篇：GitHub上的AutoML
下一篇：Python性能分析技巧