Deep Learning, réseaux de neurones convolutifs. Principe du transfer learning en computer vision. Comment construire un modèle hybride en appariant un modèle pré-entraîné sur des grands corpus (VGG19 sur ImageNet) avec un classifieur ad hoc pour un classement binaire (les fameux chats et chiens). Gap des performances entre un modèle ad hoc et le modèle hybride. Parallèle avec les embeddings en NLP (natural language processing).
Notebook et données : tutoriels-data-science.blogspot.com/p/tutoriels-en-francais.html#HnKn1hi7ImyeMSxoqfU
Site de PyTorch : pytorch.org/tutorials/beginner/transfer_learning_tutorial.html
Base d'images : www.microsoft.com/en-us/download/details.aspx?id=54765
Page de cours : cours-machine-learning.blogspot.com/
00:00 Principe du transfer learning
05:58 Transfer learning avec PyTorch en computer vision (VGG19)
11:09 La base des images "Cats and Dogs"
13:33 Démarrage du notebook - Importation des images TRAIN
17:18 ConvNet "from scratch" à partir de la base TRAIN
19:40 Entraînement du modèle
21:20 Chargement de base TEST, prédiction, évaluation
22:29 Premier bilan - Comment aller plus loin
25:25 Instanciation du modèle pré-entraîné VGG19
25:58 Application de VGG19 sur une image
26:58 Prédiction d'une des classes d'ImageNet
27:21 Architecture de VGG19 (features vs. classifier)
28:24 Nombre de couches dans la partie dense (classifier)
28:40 Structure de la dernière couche (4096 vs. 1000 classes ImageNet)
29:19 Création d'une couche spécifique au problème traité
31:12 Greffe de la nouvelle couche dans VGG19
32:34 Reconfiguration de l'entraînement (fonction de perte, algo d'optimisation)
32:47 Relancer l'entraînement (de la dernière couche) du VGG19 modifié
35:10 Prédiction sur TEST et amélioration des performances