Este componente utiliza a biblioteca Pytorch para fazer Fine-Tuning das arquiteturas ResNet18, ResNet50 e VGG16 para a tarefa de classificação de imagens utilizando quatro conjuntos de políticas genéricas pré-definidas pelo artigo Fast AutoAugment nos conjuntos de dados ImageNet, CIFAR-10 e SVHN.

Espera-se como entrada para o componente um arquivo .zip contendo as pastas "train", "test" e "val". Estas três pastas devem conter uma pasta por classe existente no conjunto de dados com as imagens da respectiva classe que serão utilizadas para treino, teste e validação.

Além disso, deve-se fornecer na raiz do arquivo .zip um arquivo dataset.csv, contendo as colunas "image_path", "target" e "subset", onde:

• image_path: caminho para o arquivo de imagem.
• target: resposta esperada da predição, caso exista.
• subset: conjunto ao qual a amostra faz parte, pode ser "train", "test", e "val".

Parâmetros

A seguir são listados todos os parâmetros utilizados pelo componente:

• arch_list: string, {["resnet18", "resnet50", "vgg16"]}, padrão: ["resnet18", "resnet50", "vgg16"].
  Nome das arquiteturas que deseja utilizar na busca em forma de lista.
• aug_polices: string, {["fa_reduced_cifar10", "fa_resnet50_rimagenet", "fa_reduced_svhn"]}, padrão: ["fa_reduced_cifar10", "fa_resnet50_rimagenet", "fa_reduced_svhn"].
  Conjuntos de polices disponíveis para escolha.
• top_predictions: integer, padrão: 1.
  Define quantas predições se quer ter de resposta para uma predição realizada pela rede. Valor máximo é igual ao número total de classes
• batch: integer, padrão: 8.
  Quantas imagens serão enviadas por vez para a rede. Números altos consomem muita memória RAM.
• epochs: integer, padrão: 10.
  Número de épocas. Esse número será utilizado para cada combinação de arquitetura e conjunto de políticas.
• lr: float, padrão: 0.001.
  Learning rate para o treinamento.
• gamma: float, padrão: 0.1.
  Gamma utilizado para otimização da descida do gradiente.
• step_size: integer, padrão: 7 .
  Tamanho do passo utilizado na descida do gradiente.
• momentum: float, padrão: 0.1.
  Momento utilizado para otimização da descida do gradiente.

O retorno durante a experimentação ajuda o usuário a observar se a opção de arquitetura e conjunto de políticas encontrados performam bem no conjunto de teste fornecido através da geração dos gráficos de treinamento dos modelos, da matriz de confusão do relatório de classificação.

Os retornos são o índice da classe predita, seu nome e a probabilidade associada a predição.