PyTorch e programação orientada a objetos

Aprendizagem profunda intermediária com PyTorch

Michal Oleszak

Machine Learning Engineer

O que vamos aprender

Como treinar modelos de deep learning robustos:

Melhorando o treino com otimizadores
Reduzindo gradientes desaparecendo/explodindo
Redes Convolucionais (CNNs)
Redes Recorrentes (RNNs)
Modelos com múltiplas entradas e saídas

Logo do PyTorch

Pré-requisitos

O curso assume que você está confortável com:

Treino de redes neurais:
- Forward pass
- Cálculo da perda
- Backward pass (backpropagation)
Treinar modelos com PyTorch:
- Datasets e DataLoaders
- Loop de treino
- Avaliação do modelo
Curso pré-requisito: Introduction to Deep Learning with PyTorch

Programação orientada a objetos (POO)

Vamos usar POO para definir:
- Datasets do PyTorch
- Modelos do PyTorch
Em POO, criamos objetos com:
- Habilidades (métodos)
- Dados (atributos)

Programação orientada a objetos (POO)

class BankAccount:
    def __init__(self, balance):
        self.balance = balance

__init__ é chamado quando um objeto BankAccount é criado
balance é o atributo do objeto BankAccount

account = BankAccount(100)
print(account.balance)

Programação orientada a objetos (POO)

Métodos: funções Python que executam tarefas
Método deposit aumenta o saldo

class BankAccount:
    def __init__(self, balance):
        self.balance = balance


    def deposit(self, amount):
        self.balance += amount

account = BankAccount(100)
account.deposit(50)
print(account.balance)

Conjunto de dados de potabilidade da água

Pandas DataFrame mostrando algumas das primeiras e últimas linhas dos dados de potabilidade da água.

Dataset no PyTorch

from torch.utils.data import Dataset

class WaterDataset(Dataset):

    def __init__(self, csv_path):
        super().__init__()
        df = pd.read_csv(csv_path)
        self.data = df.to_numpy()


    def __len__(self):
        return self.data.shape[0]


    def __getitem__(self, idx):
        features = self.data[idx, :-1]
        label = self.data[idx, -1]
        return features, label

init: carrega os dados e guarda como array numpy
- super().__init__() garante que WaterDataset se comporte como Dataset do torch
len: retorna o tamanho do dataset
getitem:
- recebe um argumento idx
- retorna features e rótulo de uma amostra no índice idx

DataLoader no PyTorch

dataset_train = WaterDataset(
    "water_train.csv"
)

from torch.utils.data import DataLoader

dataloader_train = DataLoader(
    dataset_train,
    batch_size=2,
    shuffle=True,
)

features, labels = next(iter(dataloader_train))
print(f"Features: {features},\nLabels: {labels}")

Features: tensor([
  [0.4899, 0.4180, 0.6299, 0.3496, 0.4575,
   0.3615, 0.3259, 0.5011, 0.7545],
  [0.7953, 0.6305, 0.4480, 0.6549, 0.7813,
   0.6566, 0.6340, 0.5493, 0.5789]
]),
Labels: tensor([1., 0.])

Modelo no PyTorch

Definição com Sequential:

net = nn.Sequential(
  nn.Linear(9, 16),
  nn.ReLU(),
  nn.Linear(16, 8),
  nn.ReLU(),
  nn.Linear(8, 1),
  nn.Sigmoid(),
)

Definição com classe:

class Net(nn.Module):

    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(9, 16)
        self.fc2 = nn.Linear(16, 8)
        self.fc3 = nn.Linear(8, 1)


    def forward(self, x):
        x = nn.functional.relu(self.fc1(x))
        x = nn.functional.relu(self.fc2(x))
        x = nn.functional.sigmoid(self.fc3(x))
        return x

net = Net()

Vamos praticar!

Aprendizagem profunda intermediária com PyTorch