หวยฮานอย งวดประจำวันที่ 23/03/67

หวยฮานอย งวดประจำวันที่ 23/03/67

ข่าวการเล่น Googel assistant กับ PyTorch Android Eine der einfachsten Möglichkeiten, um maschinelles Lernen praktisch anzuwenden, ist mit der PyTorch-Implementierung auf einem mobilen Gerät. Obwohl das Trainieren und Bereitstellen von Modellen auf Mobilgeräten früher eine Herausforderung war, hat sich dies dank der Leistungsfähigkeit von Geräten und Frameworks wie PyTorch geändert. In diesem Artikel wird gezeigt, wie Sie ein PyTorch-Modell für die Bildklassifizierung trainieren und auf einem Android-Gerät bereitstellen können. Voraussetzungen Um diesem Tutorial folgen zu können, müssen Sie über grundlegende Kenntnisse in Python und PyTorch verfügen. Darüber hinaus benötigen Sie ein Android-Gerät mit mindestens Android 5.0 (Lollipop) und Android Studio, um die Beispiel-App zu erstellen. Schritt 1: PyTorch-Modell für die Bildklassifizierung trainieren Wir beginnen damit, ein einfaches PyTorch-Modell für die Bildklassifizierung zu trainieren. Dazu verwenden wir den CIFAR-10-Datensatz, der 60.000 32x32 RGB-Bilder in 10 Klassen enthält. Da CIFAR-10 ein häufig verwendetes Beispiel für maschinelles Lernen ist, stehen viele vortrainierte Modelle und Tutorials zur Verfügung. Zuerst importieren wir die erforderlichen Bibliotheken und laden den CIFAR-10-Datensatz: ```python import torch import torchvision import torchvision.transforms as transforms transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) ]) trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True) classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck') ``` Als nächstes definieren wir das Modell, das wir verwenden möchten. Für dieses Beispiel verwenden wir ein vortrainiertes ResNet-Modell aus torchvision.models: ```python import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv2(x))) x = x.view(-1, 16 * 5 * 5) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x net = Net() ``` Wir trainieren das Modell über mehrere Epochen mit dem optimizer, der Verlustfunktion und den Trainingsdaten: ```python import torch.optim as optim criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) for epoch in range(2): # loop over the dataset multiple times running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() ``` Schließlich speichern wir das trainierte Modell als "cifar_net.pth": ```python PATH = './cifar_net.pth' torch.save(net.state_dict(), PATH) ``` Schritt 2: PyTorch-Modell für Android exportieren Nachdem wir das PyTorch-Modell trainiert haben, exportieren wir es für die Verwendung auf Android-Geräten. Dazu konvertieren wir das Modell in das ONNX-Format und verwenden dann den TorchScript-Export, um es für die Verwendung mit PyTorch Mobile vorzubereiten. Zuerst laden wir das trainierte Modell und konvertieren es in das ONNX-Format: ```python import torch.onnx net.load_state_dict(torch.load(PATH)) net.eval() dummy_input = torch.randn(1, 3, 32, 32) torch.onnx.export(net, dummy_input, "cifar_net.onnx") ``` Als nächstes exportieren wir das ONNX-Modell in TorchScript: ```python traced_model = torch.jit.trace(net, dummy_input) traced_model.save("cifar_net.pt") ``` Schritt 3: Android-App erstellen Mit dem exportierten Modell können wir nun eine Android-App erstellen, die die Bildklassifizierung durchführt. Dazu erstellen wir ein neues Android-Projekt in Android Studio, fügen das exportierte Modell hinzu und implementieren den Inferenzcode. Die vollständige Anleitung zum Erstellen einer Android-App für PyTorch-Modelle finden Sie im offiziellen PyTorch-Dokumentation. Fazit Die Kombination aus PyTorch und Android ermöglicht es Entwicklern, maschinelles Lernen auf mobilen Geräten einfach und effizient zu implementieren. Mit der Leistung von PyTorch können komplexe Modelle trainiert und auf Android-Geräten ausgeführt werden, um realen Mehrwert zu bieten. Mit diesem Tutorial sind Sie in der Lage, ein PyTorch-Modell zu trainieren, auf Android zu exportieren und in einer App zu verwenden. Viel Spaß beim Experimentieren und Entwickeln von mobilen ML-Anwendungen!