Pytorch 학습된 모델로 식별 [MNIST]

처음에

Pytorch에서 CNN을 구축하고 MNIST 데이터 세트를 학습했습니다.

학습한 모델을 읽어 사용하는 프로그램을 짜냈다. (의외로 기사 적었다)

모델의 작성은 이전 기사로 했으므로 좋으면 꼭. ( 여기 참조)

<대상>
- 기계 학습 초보자(세세한 내용에 대한 해설은 하지 않습니다)
- PyTorch 만지기 시작한 분
- 아바웃한 해설에서도 견딜 수 있는 분
<비대상>
- Pytorch 자세한 내용
- 정밀도 향상하고 싶은 분

[환경]
파이썬 3.6.9
torch 1.6.0
numpy 1.16.4
Pillow 6.2.0

모델 저장

PATH = "./my_mnist_model.pt"
torch.save(net.state_dict(), PATH)

학습된 모델을 저장합니다.torch.save() 의 인수를 net.state_dict() 로 함으로써 네트워크 구조나 각 레이어의 인수를 생략하고 보존한다. 이것에 의해 보존한 모델의 용량을 삭감할 수 있는 것 같다.
반대로, 모델을 로드하는 측은 네트워크 구조를 기술할 필요가 있다.

모델 활용

import torch
import torch.nn as nn
import torch.nn.functional as f
import torchvision
from torchvision import datasets, transforms
from PIL import Image, ImageOps
from torchsummary import summary

# モデルの定義
class MyNet(nn.Module):
    def __init__(self):
        super(MyNet,self).__init__()
        self.conv1 = nn.Conv2d(1,32,3,1)
        self.conv2 = nn.Conv2d(32,64,3,1)
        self.pool = nn.MaxPool2d(2,2)
        self.dropout1 = nn.Dropout2d(0.25)
        self.dropout2 = nn.Dropout2d(0.5)
        self.fc1 = nn.Linear(12*12*64,128)
        self.fc2 = nn.Linear(128,10)

    def forward(self,x):
        x = self.conv1(x)
        x = f.relu(x)
        x = self.conv2(x)
        x = f.relu(x)
        x = self.pool(x)
        x = self.dropout1(x)
        x = x.view(-1,12*12*64)
        x = self.fc1(x)
        x = f.relu(x)
        x = self.dropout2(x)
        x = self.fc2(x)

        return f.log_softmax(x, dim=1)

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = 0
model = MyNet().to(device)
print(device)
print(model)
print(summary(model, (1, 28, 28)))

# 学習モデルをロードする
model.load_state_dict(torch.load("my_mnist_model.pt", map_location=lambda storage, loc: storage))
model = model.eval()

# 画像ファイルを読み込む(黒背景, 白文字を想定)
PATH = "mnist/3.jpg"
image = Image.open(PATH)
image = ImageOps.invert(image)
image = image.convert('L').resize((28,28))
# データの前処理の定義(モデル生成の際と同じ平均値と標準偏差で正規化する)
transform = transforms.Compose([
                                transforms.ToTensor(),
                                transforms.Normalize((0.1307,), (0.3081,))
                                ])

# 元のモデルに合わせて次元を追加
image = transform(image).unsqueeze(0)

# 予測を実施
output = model(image.to(device))
_, prediction = torch.max(output, 1)
# 結果を出力
print("{} -> result = ".format(PATH) + str(prediction[0].item()))

실행 결과

결과①

mnist/2.jpg -> result = 2

결과②

mnist/6.jpg -> result = 6

요약

뭔가 잘 어울리는 분위기.
PyTorch는 OpenCV가 아니라 Pillow를 사용하는 경우가 많다.
모델 자체의 정확도는 그다지 높지 않았다. 과학하고 있을지도 모른다.