Caffe
Caffe opisuje architektúru siete pomocou vrstiev a oddeľuje jej definíciu od naučených váh. V starších obrazových aplikáciách býva kľúčové pôvodné predspracovanie.
Príklad z pracovného postupu
Starší detektor prijímal obrázky s poradím BGR. Pri presune môže nová knižnica dodať RGB bez chyby dátového typu. Referenčný farebný obrázok preto porovnáme na vstupe aj po prvých vrstvách siete.
Ako výsledok overiť
Pri preberaní staršieho modelu porovnáme výstup na uložených referenčných obrázkoch pred výmenou prostredia.
Reprodukovateľnosť výpočtu
Verzia knižnice, predspracovanie a poradie vstupných atribútov sú súčasťou správania výsledného výpočtu. Na opätovné použitie preto uchovávame aj schému, jednotky a malú sadu overených vstupov s očakávanými výstupmi.
Pri prenose medzi prostrediami zohľadníme rozdiely numerických typov a toleranciu vhodnú pre konkrétnu úlohu. Ak malá zmena čísla preklopí rozhodnutie na druhej strane prahu, praktický dopad môže byť významný aj pri malej priemernej chybe.
Poradie tried je súčasťou použiteľného klasifikátora
Výstup starej obrazovej siete môže byť pole čísel, ktorým až samostatný súbor priradí názvy výrobkov. Ak sa pri presune otvorí iný číselník, numerické výsledky môžu zostať zhodné a aplikácia napriek tomu zobrazí nesprávnu súčiastku. Slovník tried preto zviažeme s konkrétnymi váhami modelu.
Pre overenie vyberieme dvojicu vizuálne podobných, ale funkčne odlišných dielov. Skontrolujeme index výsledku, zobrazený názov aj väzbu na aktuálnu kartu v sklade vrátane historicky vyradeného výrobku.
Otázky z praxe
Prečo sa model po prenose zhorší pri nezmenených váhach?
Na vstupe môže byť odlišné poradie farieb, mierka hodnôt, orez alebo spôsob úpravy rozlíšenia. Každý krok zaznamenáme podľa pôvodnej aplikácie a porovnáme vstupný tenzor na konkrétnom obrázku. Správny počet vrstiev a úspešné načítanie súboru takúto odchýlku samy neodhalia.
Ktoré súbory má obsahovať použiteľný archív projektu Caffe?
Potrebujeme definíciu siete, uložené váhy, mapovanie výstupov na triedy a všetky vlastné kroky prípravy obrazov. Ak aplikácia používa vlastnú vrstvu, uchováme aj jej implementáciu alebo jednoznačne doložené správanie. Archív overíme spustením referenčného príkladu na čistom pracovnom prostredí.
Ako porovnávať detekciu na obrázkoch rôznych rozmerov?
Musíme vedieť, či sa pôvodné obrázky deformovali, orezali alebo doplnili okrajom a ako sa poloha výsledku prenášala späť. Pri dvoch pomeroch strán môže rovnaký chybný prepočet raz pôsobiť správne. Preto skúšame objekt pri strede aj pri okraji obrazu.
Súvisiace stránky
-
TensorFlow
TensorFlow poskytuje operácie s tenzormi, automatické derivovanie a mechanizmy uloženia modelu.
Otvoriť -
Keras
Keras ponúka vysokú úroveň pre modelovanie vrstiev a tréning neurónových sietí.
Otvoriť -
Strojové učenie
Model strojového učenia môže triediť doklady alebo správy. Na označenej vzorke porovnáme chyby s ručným postupom a nastavíme, ktoré prípady preverí človek.
Otvoriť