Exploration approfondie du chargement des données

Introduction au deep learning avec PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Nos données sur les animaux

import pandas as pd
animals = pd.read_csv('animal_dataset.csv')
nom_animal poils plumes œufs lait prédateur pattes queue type
moineau 0 1 1 0 0 2 1 0
aigle 0 1 1 0 1 2 1 0
chat 1 0 0 1 1 4 1 1
chien 1 0 0 1 0 4 1 1
lézard 0 0 1 0 1 4 1 2

Catégories de types : oiseaux (0), mammifères (1), reptiles (2)

Introduction au deep learning avec PyTorch

Nos données sur les animaux : définition des caractéristiques

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]]
Introduction au deep learning avec PyTorch

Retour à notre jeu de données sur les animaux : définition des valeurs cibles

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

[0 0 1 1 2]
Introduction au deep learning avec PyTorch

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)
Introduction au deep learning avec PyTorch

DataLoader

from torch.utils.data import DataLoader


batch_size = 2

shuffle = True


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

$$

  • Époque : un passage complet dans le dataloader d'entraînement
  • Généralisation : le modèle donne de bons résultats avec des données inédites
Introduction au deep learning avec PyTorch

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])
Introduction au deep learning avec PyTorch

Passons à la pratique !

Introduction au deep learning avec PyTorch

Preparing Video For Download...