Blog ini akan membahas bagaimana “ Penghapusan Acak ” Metode berfungsi di PyTorch.
Mengapa Metode “Penghapusan Acak” Digunakan di PyTorch?
Penghapusan data secara acak dari gambar menimbulkan masalah pada pelatihan model analisis gambar karena model tersebut terpaksa beradaptasi dengan data yang tidak mencukupi. Hal ini mempersiapkan model untuk tugas-tugas dunia nyata di mana data lengkap tidak selalu ada. Model ini menjadi jauh lebih baik dalam menarik kesimpulan dari semua jenis data dan mampu menampilkan hasilnya. Pemilihan piksel untuk dihilangkan dilakukan secara acak sehingga tidak ada bias dan gambar yang dihasilkan digunakan sebagai data masukan selama pelatihan.
Bagaimana Cara Kerja Metode “Penghapusan Acak” di PyTorch?
Metode Random Erasing digunakan untuk membuat model pembelajaran mendalam lebih siap menangani aplikasi nyata. Ikuti langkah-langkah yang diberikan di bawah ini untuk mempelajari cara menggunakannya dalam proyek PyTorch Anda guna meningkatkan pengelolaan data dan meningkatkan kemampuan inferensi:
Langkah 1: Siapkan IDE Kolaborasi
Google Colab adalah pilihan ideal untuk pengembangan model AI menggunakan kerangka PyTorch. Arahkan ke Kolaborasi situs web dan meluncurkan “ Buku Catatan Baru ”:
Langkah 2: Impor Perpustakaan yang Diperlukan
Menggunakan ' !pip ” pemasang paket yang disediakan oleh Python untuk menginstal perpustakaan dan menggunakan “ impor ” perintah untuk mengimpornya ke proyek:
impor oborimpor visi obor. berubah sebagai ts
dari PIL impor Gambar
impor matplotlib. pyplot sebagai tolong
Deskripsi kode yang diberikan adalah sebagai berikut:
- Impor “ obor ” perpustakaan menggunakan “ impor ' memerintah.
- “ torchvision.transforms Paket ” berisi transformasi untuk Penghapusan Acak.
- “ PIL ” adalah pustaka gambar python dan berisi fungsionalitas untuk memproses gambar.
- “ matplotlib.pyplot ” perpustakaan digunakan untuk memvisualisasikan gambar asli dan gambar yang diubah:
Langkah 3: Unggah gambar masukan
Unggah gambar di bagian File:
Selanjutnya, muat gambar masukan menggunakan “ membuka() ” metode modul “Gambar”:
gambar = Gambar. membuka ( 'a2.jpeg' )Langkah 4: Tentukan Transformasi untuk Melakukan Transformasi
Sekarang, tentukan “ Penghapusan Acak ” trafo yang akan mengubah gambar dengan memilih wilayah persegi panjang secara acak dan menghapus pikselnya. Selain itu, konversikan gambar masukan ke sensor obor menggunakan tombol “ KeTensor() ” metode jika itu adalah gambar PIL dan kemudian mengubahnya kembali menjadi gambar PIL melalui “ Gambar KePILI() ”:
mengubah = ts. Menyusun ( [ ts. KeTensor ( ) , ts. Penghapusan Acak ( P = 0,5 , skala = ( 0,02 , 0,33 ) , perbandingan = ( 0,3 , 3.3 ) , nilai = 0 , di tempat = PALSU ) , ts. Gambar ToPILI ( ) ] )Parameter yang digunakan di atas “ Penghapusan Acak ”transformator dijelaskan di bawah ini:
- P: Ini mewakili probabilitas bahwa operasi peningkatan acak akan tercapai.
- skala: Ini menunjukkan kisaran area yang terhapus dari gambar masukan.
- perbandingan: Ini menunjukkan rasio aspek dari wilayah yang terhapus.
- nilai: Ini menentukan nilai penghapusan yaitu '0' secara default. Jika bilangan bulat tunggal maka ia akan menghapus semua piksel, dan jika tuple yang memiliki tiga bilangan bulat maka ia akan menghapus saluran R, G, dan B masing-masing.
- di tempat: Ini adalah nilai 'boolean' yang membuat transformator penghapus acak tertentu berada di tempatnya. Secara default, ini adalah 'salah'.
Langkah 5: Gunakan Pemahaman Kamus untuk Mengambil Gambar Keluaran
Gunakan konsep pemahaman kamus untuk mengambil empat gambar keluaran:
gambar-gambar = [ mengubah ( gambar ) untuk _ di dalam jangkauan ( 4 ) ]Langkah 6: Pamerkan Empat Gambar Keluaran
Terakhir, tampilkan empat gambar keluaran dengan bantuan blok kode di bawah ini:
ara = tolong. angka ( ukuran gambar = ( 7 , 4 ) )baris , kol = 2 , 2
untuk J di dalam jangkauan ( 0 , hanya ( gambar-gambar ) ) :
ara. tambahkan_subplot ( baris , kol , j+ 1 )
tolong. tunjukkan ( gambar-gambar [ J ] )
tolong. xticks ( [ ] )
tolong. yticks ( [ ] )
tolong. menunjukkan ( )
Deskripsi kode di atas adalah sebagai berikut:
- Terapkan “ plt.gambar() ” metode untuk memplot empat gambar dengan lebar dan tinggi tertentu.
- Kemudian, tentukan baris dan kolom tertentu untuk menyesuaikan keempat gambar tersebut.
- Setelah itu inisialisasi loop “for” yang menerapkan “ subplot() ” untuk menentukan subplot, metode “show()” untuk menampilkan gambar, dan metode “ plt.xticks() ' sebaik ' plt.yticks() ” untuk mengatur lokasi centang saat ini dan label sumbu x dan y.
- Terakhir, gunakan “ plt.tampilkan() ” metode untuk mencetak gambar ke output:
Catatan : Pengguna dapat mengakses Colab Notebook kami menggunakan yang disediakan tautan .
Tip Pro
Salah satu kegunaan utama dari “ Penghapusan Acak ” Metode dalam proyek PyTorch adalah keamanan. Ini dapat digunakan untuk menghapus piksel dari gambar sensitif seperti gambar yang mengandung rahasia dagang atau hal lain yang bernilai. Fungsi acak spesifik untuk penghapusan ini hanya akan diketahui oleh pengguna asli dan hanya pengguna yang dapat mengembalikan gambar yang terhapus kembali ke versi aslinya.
Kesuksesan! Kami telah menunjukkan cara kerja metode penghapusan acak di PyTorch.
Kesimpulan
“ Penghapusan Acak Metode ” di PyTorch bekerja dengan menghilangkan piksel acak dari gambar dan meniru skenario dunia nyata untuk melatih model dengan lebih baik. Hal ini akan membuat model lebih mahir dalam menangani berbagai jenis data untuk menarik kesimpulan berkualitas dari data yang tidak lengkap. Kami telah mengilustrasikan cara menggunakan “ Penghapusan Acak ” metode di PyTorch.