Einen Vorwärtsdurchlauf ausführen

Einführung in Deep Learning mit PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Was ist ein Vorwärtsdurchlauf?

Eingangsdaten fließen durch Schichten
Berechnungen, die in jeder Schicht durchgeführt werden
Die letzte Schicht erzeugt Ausgaben

Auf Basis von Gewichten und Verzerrungen erzeugte Ergebnisse
Wird für das Training und für Vorhersagen verwendet

Darstellung des Vorwärtsdurchlaufs

Was ist ein Vorwärtsdurchlauf?

Mögliche Ausgaben:

Binäre Klassifizierung
Mehrklassen-Klassifizierung
Regressionen

Darstellung des Vorwärtsdurchlaufs mit hervorgehobener Endausgabe

Binäre Klassifizierung: Vorwärtsdurchlauf

Coding Block mit hinzugefügten Kommentaren

# 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
)

Binäre Klassifizierung: Vorwärtsdurchlauf

# 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>)

Ausgabe: fünf Wahrscheinlichkeiten zwischen 0 und 1, eine für jedes Tier
Klassifizierung (0,5 Schwellenwert):
- Klasse = 1 (Säugetier) für Werte ≥ 0,5 (0.5188, 0.5015)
- Klasse = 0 (kein Säugetier) für Werte < 0,5 (0.3761, 0.3718, 0.4633)

Mehrklassen-Klassifizierung: Vorwärtsdurchlauf

Klasse 1 - Säugetier, Klasse 2 - Vogel, Klasse 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])

Mehrklassen-Klassifizierung: Vorwärtsdurchlauf

Jede Zeile summiert sich zu 1
Vorausgesagtes Label = Klasse mit der höchsten Wahrscheinlichkeit
Reihe 1 = Klasse 1 (Säugetier), Reihe 2 = Klasse 1 (Säugetier), Reihe 3 = Klasse 3 (Reptil)

Regression: Vorwärtsdurchlauf

# 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>)

Lass uns üben!

Einführung in Deep Learning mit PyTorch