Ein genauerer Blick auf das Laden von Dateien

Einführung in Deep Learning mit PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Unser Tier-Datensatz

import pandas as pd
animals = pd.read_csv('animal_dataset.csv')

tier_name	Haare	Federn	Eier	Milch	Raubtier	Beine	Schwanz	Art
Sperling	0	1	1	0	0	2	1	0
Adler	0	1	1	0	1	2	1	0
Katze	1	0	0	1	1	4	1	1
Hund	1	0	0	1	0	4	1	1
Eidechse	0	0	1	0	1	4	1	2

Artenkategorien: Vogel (0), Säugetier (1), Reptil (2)

Unser Tier-Datensatz: Merkmale definieren

import numpy as np

# Define input features
features = animals.iloc[:, 1:-1]


X = features.to_numpy()
print(X)

[[0 1 1 0 0 2 1]
 [0 1 1 0 1 2 1]
 [1 0 0 1 1 4 1]
 [1 0 0 1 0 4 1]
 [0 0 1 0 1 4 1]]

Zurück zu unserem Tierdatensatz: Zielwerte definieren

# Define target values (ground truth)
target = animals.iloc[:, -1]
y = target.to_numpy()
print(y)

[0 0 1 1 2]

TensorDataset

import torch
from torch.utils.data import TensorDataset


# Instantiate dataset class
dataset = TensorDataset(torch.tensor(X), torch.tensor(y))


# Access an individual sample
input_sample, label_sample = dataset[0]
print('input sample:', input_sample)  
print('label sample:', label_sample)

input sample: tensor([0, 1, 1, 0, 0, 2, 1])
label sample: tensor(0)

DataLoader

from torch.utils.data import DataLoader


batch_size = 2

shuffle = True


# Create a DataLoader
dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=shuffle)

Epoche: ein vollständiger Durchlauf durch den Trainingsdatenpool
Verallgemeinerung: Das Modell schneidet bei ungesehenen Daten gut ab

DataLoader

# Iterate over the dataloader
for batch_inputs, batch_labels in dataloader:
    print('batch_inputs:', batch_inputs)
    print('batch_labels:', batch_labels)

batch_inputs: tensor([[1, 0, 0, 1, 1, 4, 1],
        [1, 0, 0, 1, 0, 4, 1]])
batch_labels: tensor([1, 1])

batch_inputs: tensor([[0, 1, 1, 0, 1, 2, 1],
        [0, 0, 1, 0, 1, 4, 1]])
batch_labels: tensor([0, 2])

batch_inputs: tensor([[0, 1, 1, 0, 0, 2, 1]])
batch_labels: tensor([0])

Lass uns üben!

Einführung in Deep Learning mit PyTorch