Riješeno: pytorch_starting

Moda nije strana u svijetu tehnologije koji se stalno razvija, a kao programeri, entuzijasti i modni stručnjaci, od suštinske je važnosti da ostanete ispred najnovijih dostignuća. Jedan od takvih načina je duboko učenje uz PyTorch, okvir za strojno učenje koji je lagan, jednostavan za korištenje i vrlo primjenjiv na modernu modnu analizu. U ovom članku ćemo uroniti u to kako nam PyTorch može pomoći da analiziramo i razumijemo modne trendove, počevši od uvoda, rješavanja problema s PyTorchom i detaljnog vodiča korak po korak koji će vam pomoći da ga maksimalno iskoristite. Pa hajde da uskočimo!

PyTorch, otvorenog koda okvir za mašinsko učenje, postaje sve popularniji zbog svoje jednostavnosti i lakoće upotrebe u aplikacijama za duboko učenje. Modna industrija stručnjaci mogu koristiti PyTorch da identificiraju trendove i stilove, preporučuju kombinacije odjeće, pa čak i predviđaju uspjeh stilova u nadolazećim sezonama. U ovom članku ćemo podijeliti kako implementirati jednostavan modna analiza koristeći PyTorch.

Definicija problema

Naš cilj je analizirati skup podataka slika, od kojih svaka predstavlja različite odjevne predmete, i koristiti PyTorch za izgradnju modela dubokog učenja koji može kategorizirati ove slike u različite stilove i trendove. Na taj način želimo identificirati istaknute trendove u modnoj industriji i kombinacije odjevnih predmeta koje dobro funkcioniraju.

Postavljanje okruženja

Za početak, morat ćemo imati piton i PyTorch instaliran na našem sistemu. Pored toga, koristićemo torchvision, paket koji sadrži popularne skupove podataka, arhitekture modela i uobičajene transformacije slike za kompjuterski vid.

pip install torch torchvision

Sa instaliranim ovim paketima, sada možemo početi rješavati problem.

Dataset i DataLoader

U ovom članku ćemo koristiti FashionMNIST skup podataka, koji je popularan skup podataka za klasifikaciju slika i dostupan kroz torchvision. Skup podataka sadrži 60,000 slika treninga i 10,000 testnih slika, pri čemu svaka slika predstavlja odjevne predmete 10 različitih klasa.

from torchvision import datasets, transforms

transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

train_data = datasets.FashionMNIST(root="./data", train=True, download=True, transform=transform)
test_data = datasets.FashionMNIST(root="./data", train=False, download=True, transform=transform)

Takođe moramo da se postavimo DataLoaders za efikasno učitavanje i prethodnu obradu slika skupa podataka.

from torch.utils.data import DataLoader

train_loader = DataLoader(train_data, batch_size=64, shuffle=True)
test_loader = DataLoader(test_data, batch_size=64, shuffle=False)

Model Architecture

Zatim ćemo definirati naš model dubokog učenja, koji će biti a Konvoluciona neuronska mreža (CNN). CNN je pogodan za analizu slika, jer može naučiti složene obrasce i strukture unutar modnih podataka.

import torch.nn as nn
import torch.nn.functional as F

class FashionModel(nn.Module):
    def __init__(self):
        super(FashionModel, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, padding=1)
        self.conv2 = nn.Conv2d(32, 64, 3, padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(64*7*7, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 64*7*7)
        x = F.relu(self.fc1(x))
        x = F.log_softmax(self.fc2(x), dim=1)
        return x

model = FashionModel()

Obuka i evaluacija

Sada ćemo trenirati model koristeći gubitak unakrsne entropije i stohastički gradijentni pad (SGD) kao naš optimizator. Zatim ćemo procijeniti model na testnom skupu podataka kako bismo provjerili njegovu izvedbu.

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)

epochs = 10
for epoch in range(epochs):
    running_loss = 0.0
    for inputs, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print(f"Epoch {epoch + 1}, Loss: {running_loss / len(train_loader)}")

correct = 0
total = 0
with torch.no_grad():
    for inputs, labels in test_loader:
        outputs = model(inputs)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print(f"Accuracy: {correct / total * 100}%")

Sa ovim modelom i postupkom obuke možemo postići impresivan rezultat Tačnost na skupu testnih podataka, što nam omogućava da prepoznamo i kategoriziramo različite stilove i trendove u modnoj industriji.