Seriál Torch: framework pro strojové učení

Čtrnáctá část seriálu o frameworku Torch je věnována problematice konfigurace struktury neuronových sítí. Ve druhé části článku se poté budeme zabývat novým problémem – rozpoznáním programovacího jazyka na základě zdrojového kódu.

Dnes se s konvolučními sítěmi využívanými pro klasifikaci obrázků setkáme naposledy. Vylepšíme projekt pro klasifikaci obrázků z databáze CIFAR-10 a ukážeme si vliv počtu trénovacích obrázků a počtu iterací na kvalitu odhadu sítě.

Ve dvanácté části seriálu o frameworku Torch se pokusíme vytvořit konvoluční neuronovou síť takovým způsobem, aby uspokojivě klasifikovala obrázky získané ze známé databáze CIFAR-10.

Dnes si ukážeme, jak dobře či naopak špatně se nám podaří natrénovat konvoluční neuronovou síť tak, aby dobře rozpoznávala číslice v zašuměných či jinak upravených rastrových obrázcích.

V již desáté části seriálu o frameworku Torch si ukážeme jeden z praktických způsobů využití takzvaných konvolučních neuronových sítí pro rozpoznávání a klasifikaci objektů v rastrových obrázcích.

Dnes se začneme zabývat rozpoznáváním a klasifikací obrázků s využitím neuronových sítí. Nejdříve si ukážeme použití klasické třívrstvé neuronové sítě, zjistíme její limity a popíšeme si i alternativní typ: tzv. konvoluční sítě.

Na úvodní článek o způsobu tvorby, tréninku, verifikace a použití neuronových sítí ve frameworku Torch dnes navážeme. Ukážeme si totiž různé možnosti konfigurací neuronových sítí a co se stane při přetrénování sítě.

Dnes si ukážeme, jak je možné vytvořit jednoduchou neuronovou síť s jednou skrytou vrstvou neuronů, naučit ji řešit zvolený problém s využitím sady trénovacích dat a následně ji použít nad další sadou (validačních) dat.

Dnes dokončíme popis funkcí sloužících pro manipulaci s rastrovými obrázky. Kromě složitějších filtrů aplikovatelných na jakýkoli typ obrázků si ukážeme i operace binární morfologie, které jsou aplikovatelné na bitmapy.

Dnes se seznámíme se základními možnostmi nabízenými modulem image. V něm nalezneme mnoho podpůrných funkcí pro zpracování rastrových obrázků, které v aplikacích tvoří vstup do neuronových sítí.

Nejdříve dokončíme popis tvorby grafů s využitím knihovny Gnuplot a poté si popíšeme pokročilejší operace, které lze provádět s vektory i maticemi. Kromě operace gather se jedná o skalární, vektorový a vnější součin atd.

Dnes se budeme věnovat těm činnostem, se kterými se často setkáme v praxi. Nejprve si ukážeme serializaci a deserializaci tenzorů i dalších objektů a následně si ukážeme způsob vykreslení grafů s využitím gnuplotu.

Ve druhé části seriálu o frameworku Torch dokončíme popis metod pro manipulaci s komponentami tenzorů i se samotnými tenzory. Budeme připraveni na pokračování, v nichž se již budeme zabývat reálnými úlohami.

Dnes se seznámíme s vlastnostmi frameworku Torch, který je používaný v oboru strojového učení, ale i pro „obyčejné“ zpracování vektorů a tenzorů. Pro psaní skriptů se používá Lua, interně je ovšem postavený na C.