作者|PRUDHVI VARMA
编译|VK
起源|Analytics Indiamag

计算机视觉因其宽泛的利用而成为人工智能畛域中最具发展趋势的子畛域之一。在某些畛域，甚至它们在疾速精确地辨认图像方面超过了人类的智能。

在本文中，咱们将演示最风行的计算机视觉利用之一-多类图像分类问题，应用fastAI库和TPU作为硬件加速器。TPU，即张量处理单元，能够减速深度学习模型的训练过程。

本文波及的主题：

  • 多类图像分类
  • 罕用的图像分类模型
  • 应用TPU并在PyTorch中实现

多类图像分类

咱们应用图像分类来辨认图像中的对象，并且能够用于检测品牌logo、对对象进行分类等。然而这些解决方案有一个局限性，即只能辨认对象，但无奈找到对象的地位。然而与指标定位相比，图像分类模型更容易实现。

图像分类的罕用模型

咱们能够应用VGG-16/19，Resnet，Inception v1，v2，v3，Wideresnt，Resnext，DenseNet等，它们是卷积神经网络的高级变体。这些是风行的图像分类网络，并被用作许多最先进的指标检测和宰割算法的骨干。

基于FasAI库和TPU硬件的图像分类

咱们将在以下方面发展这项工作步骤：

1.抉择硬件加速器

这里咱们应用Google Colab来实现。要在Google Colab中应用TPU，咱们须要关上edit选项，而后关上notebook设置，并将硬件加速器更改为TPU。

通过运行上面的代码片段，你能够查看你的Notebook是否正在应用TPU。

import osassert os.environ['COLAB_TPU_ADDR']Path = 'grpc://'+os.environ['COLAB_TPU_ADDR']print('TPU Address:', Path)

2.加载FastAI库

在上面的代码片段中，咱们将导入fastAI库。

from fastai.vision import *from fastai.metrics import error_rate, accuracy

3.定制数据集

在上面的代码片段中，你还能够尝试应用自定义数据集。

PATH = '/content/images/dataset'np.random.seed(24)tfms = get_transforms(do_flip=True)data = 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.加载预训练的深度学习模型

在上面的代码片段中，咱们将导入VGG-19 batch_normalisation模型。咱们将把它作为fastAI的计算机视觉学习模块的一个实例。

learn = cnn_learner(data, models.vgg19_bn, metrics=accuracy)

5.训练模型

在上面的代码片段中，咱们尝试应用一个epoch。

learn.fit_one_cycle(1)

在输入中，咱们能够看到咱们失去了0.99的准确度，它花了1分2秒。

在上面的代码片段中，咱们应用混同矩阵显示后果。

con_matrix = ClassificationInterpretation.from_learner(learn)con_matrix.plot_confusion_matrix()

6.利用模型进行预测

在上面的代码片段中，咱们能够通过在test_your_image中给出图像的门路来测试咱们本人的图像。

test_your_image='/content/images (3).jpg'test = open_image(test_your_image)test.show()

在上面的代码片段中，咱们能够失去输入张量及其所属的类。

learn.predict(test)

正如咱们在下面的输入中看到的，模型曾经预测了输出图像的类标签，它属于“flower”类别。

论断

在下面的演示中，咱们应用带TPU的fastAI库和预训练VGG-19模型实现了一个多类的图像分类。在这项工作中，咱们在对验证数据集进行分类时取得了0.99的准确率。

原文链接：https://analyticsindiamag.com...

欢送关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官网文档：
http://sklearn123.com/

欢送关注磐创博客资源汇总站：
http://docs.panchuang.net/