# swinv2
Swin_transformerv2 神经网络
函数库: TyDeepLearning
# 语法
net = swinv2()
# 说明
net = swinv2() 创建一个 swin_transformerv2 神经网络。
swin_transformerv2 模型基于论文《Swin Transformer V2: Scaling Up Capacity and Resolution》提出.示例
TIP
- 函数使用过程中如出现 HTTP 报错，请参阅离线操作步骤
# 示例
利用 swinv2 对图像进行分类预测
加载预训练网络 swinv2。
using TyDeepLearning
using TyImages
using TyPlot
set_backend(:torch)
network = swinv2()
导入一张图像用于分类预测。
pkg_dir = pkgdir(TyDeepLearning)
source_path = pkg_dir * "/examples/Images/PreTrained/peppers.png"
image = imread(source_path)
figure(1)
imshow(image)
对图像进行格式处理，从而适用于 swinv2 进行分类预测。
I = TyImages.imresize(image, [224 224])
I = reshape(I, (1, size(I)...))
I = permutedims(I, (1, 4, 2, 3))
I = I ./ 255
swinv2 对图像进行分类预测。
label = TyDeepLearning.predict(network, I)
layer = softmaxLayer()
label = TyDeepLearning.predict(layer, label)
index = sortperm(label[1, :]; rev=true)
将图像类别索引与图像对应的类别名称进行一一对应。
file = pkg_dir * "/examples/Images/PreTrained/imagenet_classes.txt"
f = open(file)
class_name = readlines(f)
close(f)
top_index = index[1:5]
classname_top = class_name[top_index]
score_top = label[1, top_index]
绘制图像。
I = permutedims(I, (1, 3, 4, 2))
I = I[1, :, :, :]
figure(2)
imshow(I)
topprob = string(100 * score_top[1])
title(string(classname_top[1], ",", topprob, "%"))
绘制前五个预测情况的直方图。
figure(3)
barh(score_top)
xlim = [0, 1]
title("Top 5 Predictions")
xlabel("Probability")
yticklabels(classname_top)
# 输出参数
net - swinv2网络对象
输出为一个 swin_transformerv2 预训练神经网络。