Finetuning 1
Réutiliser un encodeur pré-entraîné : features figées, remplacement de tête, normalisation attendue
Dans ce chapitre, vous apprendrez à
- Réutiliser un réseau pré-entraîné au lieu de partir de zéro
- Choisir entre caractéristiques figées et réentraînement d'une partie du réseau
- Préparer les données comme le modèle l'attend
Outils : PyTorch, torchvision
6 exercices
Chaque exercice est corrigé automatiquement, dans le navigateur. Les énoncés complets sont accessibles avec un compte.
À quoi ça sert dans la vraie vie
Personne n'entraîne un modèle de vision à partir de zéro quand il peut en recycler un. - Le réflexe des praticiens. torchvision et Hugging Face proposent des milliers de modèles déjà entraînés, qu'on télécharge…
Filtres plutôt que pixels
Votre trieur de lettres du problème précédent fonctionne, mais il compare bêtement les pixels un par un. Un chiffre légèrement décalé ou plus épais trompe le système. Et justement : le nouveau scanner du bureau de poste…
Pipeline complet
Le directeur du bureau de poste veut un système qui apprend automatiquement à classer les chiffres, au lieu de simplement comparer avec les exemples connus. Vous disposez d'un pipeline qui transforme chaque image en…
Recycler un champion
Vous avez classé des images en partant de zéro, mais avec peu de données, un réseau entraîné de zéro plafonne vite. Le réflexe des pros : recycler un modèle déjà entraîné. Prenez un ResNet18 pré-entraîné sur…
Cours : la normalisation ImageNet
Un modèle pré-entraîné n'a pas appris sur « des images » en général : il a appris sur des tenseurs préparés d'une façon précise. Les modèles torchvision entraînés sur ImageNet reçoivent des images converties en…
Raccourci
Vous êtes data scientist dans un hôpital. Vous devez classifier des radios pulmonaires en 3 catégories (sain, pneumonie, tuberculose). Problème : vous n'avez que 100 images annotées. Entraîner un réseau de neurones…