Zusammenfassung
In diesem Codemuster wird erläutert, wie ein ASL-Alphabet (American Sign Language) mithilfe von PyTorch und Deep-Learning-Netzwerken klassifiziert wird. Es verwendet ein vorab geschultes Modell aus dem Zoo der PyTorch-Modelle und schult den letzten Teil des Netzwerks neu.
Beschreibung
Das Codemuster verwendet PyTorch, um ein Deep-Learning-Modell zu erstellen und zu trainieren, mit dem Bilder in 29 Klassen (26 ASL-Alphabet, Leerzeichen, Entf und nichts) klassifiziert werden können. Diese können später verwendet werden, um schwerhörigen Menschen auch bei der Kommunikation mit anderen zu helfen wie bei Computern. Das Muster verwendet ein vorab trainiertes Mobilfunknetz, definiert einen Klassifizierer und verbindet ihn mit dem Netzwerk. Anschließend wird dieser Klassifizierer zusammen mit einigen der letzten Blöcke des Netzwerks im Datensatz trainiert. Das Muster verwendet die Python- und GPU-Umgebung in IBM® Watson ™ Studio für ein schnelleres Training, mit dem Sie Ihr Modell herunterladen, untersuchen, erstellen und trainieren können. Lerne mehr über verfügbare Watson Studio-Umgebungen.
Nachdem Sie dieses Muster ausgefüllt haben, verstehen Sie, wie Sie:
- Beziehen Sie einen Datensatz von Kaggle
- Untersuchen Sie Daten und definieren Sie Transformatoren, um Bilder vor dem Training vorzuverarbeiten
- Definieren Sie einen Klassifizierer mit einer Ausgabeschicht von 29 Ausgaben
- Trainieren Sie die letzten Blöcke des Netzwerks zusammen mit dem definierten Klassifikator
- Testen Sie das trainierte Modell
Flow
- Melden Sie sich bei Watson Studio an.
- Holen Sie sich Ihre Kaggle-API-Anmeldeinformationen.
- Führen Sie das Jupyter-Notizbuch in Watson Studio aus.
Anweisungen
Erhalten Sie detaillierte Schritte in der readme Datei. Diese Schritte zeigen, wie Sie:
- Melden Sie sich für Watson Studio an.
- Erstellen Sie ein neues Projekt.
- Erstellen Sie das Notizbuch.
- Führen Sie das Notizbuch aus.
- Testen Sie Ihr Modell.
