بناء UNet من الصفر باستخدام PyTorch – الجزء 2

في الجزء السابق من هذه السلسلة، قمنا بشرح كيفية بناء نموذج UNet باستخدام PyTorch. في هذا الجزء، سنواصل العمل على هذا المشروع ونقوم بتدريب النموذج واختباره.

التدريب والاختبار

لتدريب نموذج UNet، يجب علينا تحديد الدالة الهدف (loss function) وخوارزمية العرف (optimizer) التي سنستخدمها. يمكننا استخدام دالة الانحدار المتوسطة المربعة (Mean Squared Error) كدالة هدف ومثيل SGD كخوارزمية للتحسين. يمكن تحديد ذلك كالتالي:


criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)


بعد ذلك، يمكننا تدريب النموذج باستخدام دورة فورية (epoch) معلومة. يمكن تنفيذ عملية التدريب كالتالي:


for epoch in range(num_epochs):
for images, masks in train_loader:
optimizer.zero_grad()
outputs = model(images)
loss = criterion(outputs, masks)
loss.backward()
optimizer.step()


الاختبار

بعد التدريب، يمكننا اختبار النموذج باستخدام بيانات اختبار جديدة. يمكن تنفيذ عملية الاختبار كالتالي:


with torch.no_grad():
for images, masks in test_loader:
outputs = model(images)
# evaluate the model


بهذا الشكل، يمكننا بناء وتدريب واختبار نموذج UNet باستخدام PyTorch. نأمل أن تكون هذه السلسلة مفيدة لكم في فهم كيفية بناء النماذج العميقة باستخدام PyTorch.