02wk-1: Overview (2)

Overview
Author

최규빈

Published

September 8, 2022

이미지자료분석(2) 데이터정리 \(\to\) lrnr \(\to\) lrnr.학습() \(\to\) lrnr.예측()

강의영상

https://youtube.com/playlist?list=PLQqh36zP38-zcq1v38u87lMmD47ujarOZ

imports

from fastai.vision.all import *

지난시간 복습

(1) 데이터의 정리

path = untar_data(URLs.PETS)/'images'
fnames = get_image_files(path)
f = lambda fname: 'cat' if fname[0].isupper() else 'dog'
dls = ImageDataLoaders.from_name_func(
    path, 
    fnames,
    f, # f대신 (lambda fname: 'cat' if fname[0].isupper() else 'dog') 를 넣어도 가능
    item_tfms=Resize(224))

(2) lrnr 오브젝트 생성

lrnr = cnn_learner(dls,resnet34,metrics=error_rate)

(3) lrnr.학습()

lrnr.fine_tune(1)
epoch train_loss valid_loss error_rate time
0 0.152362 0.015960 0.004060 00:08
epoch train_loss valid_loss error_rate time
0 0.066467 0.028969 0.008119 00:10
  • fine_tune()은 모든 가중치를 학습하는 것이 아니라 일부만 학습하는 것임.
  • fine_tune()이외이 방법으로 학습할 수도 있음.

(4) lrnr.예측()

(방법1) lrnr.predict() 함수를 이용

lrnr.predict('2022-09-06-hani03.jpg') # 방법1-1
#lrnr.predict(PILImage.create('2022-09-06-hani03.jpg')) # 방법1-2
#lrnr.predict(path.ls()[0]) # 방법1-3
('dog', TensorBase(1), TensorBase([0.2726, 0.7274]))

(방법2) lrnr.model(X) 를 이용: X의 shape이 (?,3,224,224)의 형태의 텐서이어야함

X,y = dls.one_batch() # 방법2
lrnr.model(X[0:1]) 
TensorBase([[-3.8654,  2.9234]], device='cuda:0', grad_fn=<AliasBackward0>)

프로그래밍 과정 overview

- overview

  1. dls 오브젝트 생성

  2. lrnr 오브젝트 생성

  3. lrnr.학습()

  4. lrnr.예측()

- 비교

회귀분석(R) 이미지분석(CNN) 추천시스템
1단계 data.frame() ImageDataLoaders.from_name_func() CollabDataLoaders.from_df()
2단계 None cnn_learner() collab_learner()
3단계 lm(y~x1+x2,df) lrnr.fine_tune(1) lrnr.fit()
4단계 predict(ob,newdf) lrnr.predict(), lrnr.model(X) lrnr.model(X)

숙제

아래의 함수들이 정의된 위치를 찾아보고 경로를 제출하라.

  • ImageDataLoaders.from_name_func
  • cnn_learner
  • lrnr.fine_tune
  • lrnr.predict

단, 여기에서 lrnr는 cnn_learner()로부터 생성된 오브젝트 이다.

제출예시

ImageDataLoaders.from_name_func

  • ~/anaconda3/envs/py37/lib/python3.7/site-packages/fastai/vision/data.py