Aprendizaje profundo para programadores con fastai y PyTorch

Capítulo 15. Profundización en las arquitecturas de aplicación

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Ahora nos encontramos en la emocionante posición de poder comprender plenamente las arquitecturas que hemos estado utilizando para nuestros modelos de última generación de visión por ordenador, procesamiento del lenguaje natural y análisis tabular. En este capítulo, vamos a completar todos los detalles que faltan sobre cómo funcionan los modelos de aplicación de fastai y te mostraremos cómo construirlos.

También volveremos a la canalización de preprocesamiento de datos personalizados que vimos enel Capítulo 11 para las redes siamesas y te mostraremos cómo utilizar los componentes de la biblioteca fastai para construir modelos preentrenados personalizados para nuevas tareas.

Empezaremos con la visión por ordenador.

Visión por ordenador

Para las aplicaciones de visión por ordenador, utilizamos las funciones cnn_learner yunet_learner para construir nuestros modelos, dependiendo de la tarea.En esta sección, exploraremos cómo construir los objetos Learner que utilizamos en las Partes I y II de este libro.

cnn_aprendiz

Veamos qué ocurre cuando utilizamos la funcióncnn_learner. Comenzamos pasando a esta función una arquitectura que utilizaremos para el cuerpode la red. La mayoría de las veces, utilizamos una ResNet, que ya sabes cómo crear, así que no necesitamos profundizar más en ello. Los pesos preentrenados ...