Exécution d’une passe avant

Introduction au deep learning avec PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Qu’est-ce qu’une passe avant ?

Les données d’entrée circulent à travers les couches
Calculs effectués à chaque couche
La couche finale génère des sorties

Résultats produits sur la base des poids et des biais
Utilisé pour l’entraînement et la réalisation de prédictions

Représentation de la passe avant

Qu’est-ce qu’une passe avant ?

Sorties possibles :

Classification binaire
Classification multi-classes
Régressions

Représentation de la passe avant avec mise en évidence de la sortie finale

Classification binaire : passe avant

Bloc de codage avec commentaires ajoutés

# 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
)

Classification binaire : passe avant

# 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>)

Sortie : cinq probabilités comprises entre 0 et 1, une pour chaque animal
Classification (seuil à 0,5) :
- Classe = 1 (mammifère) pour des valeurs ≥ 0,5 (0.5188, 0.5015)
- Classe = 0 (non mammifère) pour les valeurs < 0,5 (0.3761, 0.3718, 0.4633)

Classification multi-classes : passe avant

Classe 1 : mammifère, classe 2 : oiseau, classe 3 : reptile

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])

Classification multi-classes : passe avant

La somme de chaque ligne est égale à un
Étiquette prédite = classe ayant la probabilité la plus élevée
Ligne 1 = classe 1 (mammifère), ligne 2 = classe 1 (mammifère), ligne 3 = classe 3 (reptile)

Régression : passe avant

# 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>)

Passons à la pratique !

Introduction au deep learning avec PyTorch