Ejecutar un pase hacia adelante

Introducción al aprendizaje profundo con PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

¿Qué es un pase hacia adelante?

Los datos de entrada fluyen a través de las capas
Cálculos realizados en cada capa
La capa final genera salidas

Resultados obtenidos en función de ponderaciones y sesgos
Se utiliza para entrenar y hacer predicciones

Representación del pase hacia adelante

¿Qué es un pase hacia adelante?

Posibles salidas:

Clasificación binaria
Clasificación multiclase
Regresiones

Representación del pase hacia adelante con la salida final resaltada

Clasificación binaria: pase hacia adelante

Bloque de codificación con comentarios añadidos

# Create binary classification model
model = nn.Sequential(
  nn.Linear(6, 4), # First linear layer
  nn.Linear(4, 1), # Second linear layer
  nn.Sigmoid() # Sigmoid activation function
)

Clasificación binaria: pase hacia adelante

# Pass input data through model
output = model(input_data)
print(output)

tensor([[0.5188], [0.3761], [0.5015], [0.3718], [0.4663]], 
    grad_fn=<SigmoidBackward0>)

Salida: cinco probabilidades entre 0 y 1, una por cada animal
Clasificación (umbral 0,5):
- Clase = 1 (mamífero) para valores ≥ 0,5 (0.5188, 0.5015)
- Clase = 0 (no mamífero) para valores < 0,5 (0.3761, 0.3718, 0.4633)

Clasificación multiclase: pase hacia adelante

Clase 1 - mamífero, clase 2 - ave, clase 3 - reptil

n_classes = 3


# Create multi-class classification model
model = nn.Sequential(
  nn.Linear(6, 4), # First linear layer
  nn.Linear(4, n_classes), # Second linear layer

  nn.Softmax(dim=-1) # Softmax activation 
)


# Pass input data through model
output = model(input_data)
print(output.shape)

torch.Size([5, 3])

Clasificación multiclase: pase hacia adelante

Cada fila suma uno
Etiqueta predicha = clase con mayor probabilidad
Fila 1 = clase 1 (mamífero), fila 2 = clase 1 (mamífero), fila 3 = clase 3 (reptil)

Regresión: pase hacia adelante

# Create regression model
model = nn.Sequential(
  nn.Linear(6, 4), # First linear layer
  nn.Linear(4, 1) # Second linear layer
)

# Pass input data through model
output = model(input_data)

# Return output
print(output)

tensor([[0.3818],
        [0.0712],
        [0.3376],
        [0.0231],
        [0.0757]], 
        grad_fn=<AddmmBackward0>)

¡Vamos a practicar!

Introducción al aprendizaje profundo con PyTorch