PyTorch und Objektorientierung

Deep Learning mit PyTorch für Fortgeschrittene

Michal Oleszak

Machine Learning Engineer

Was wir lernen

So trainierst du robuste Deep-Learning-Modelle:

Training mit Optimierern verbessern
Verschwindende/explodierende Gradienten mindern
Convolutional Neural Networks (CNNs)
Recurrent Neural Networks (RNNs)
Multi-Input- und Multi-Output-Modelle

PyTorch-Logo

Voraussetzungen

Der Kurs setzt Vertrautheit mit Folgendem voraus:

Training neuronaler Netze:
- Forward Pass
- Loss-Berechnung
- Backward Pass (Backpropagation)
Modelle mit PyTorch trainieren:
- Datasets und DataLoader
- Trainingsschleife
- Modellevaluierung
Voraussetzungskurs: Introduction to Deep Learning with PyTorch

Objektorientierte Programmierung (OOP)

Wir nutzen OOP, um zu definieren:
- PyTorch Datasets
- PyTorch Modelle
In OOP erstellen wir Objekte mit:
- Fähigkeiten (Methoden)
- Daten (Attribute)

Objektorientierte Programmierung (OOP)

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

__init__ wird aufgerufen, wenn ein BankAccount-Objekt erstellt wird
balance ist ein Attribut des BankAccount-Objekts

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

Objektorientierte Programmierung (OOP)

Methoden: Python-Funktionen für Aufgaben
Methode deposit erhöht den Kontostand

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)

Datensatz zur Trinkwasserqualität

Pandas-DataFrame mit einigen ersten und letzten Zeilen der Daten zur Trinkwasserqualität.

PyTorch Dataset

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: Daten laden, als NumPy-Array speichern
- super().__init__() sorgt dafür, dass WaterDataset sich wie Dataset von torch verhält
len: Größe des Datensatzes zurückgeben
getitem:
- nimmt ein Argument idx
- gibt Features und Label für die Probe an Index idx zurück

PyTorch DataLoader

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.])

PyTorch Model

Definition als Sequential:

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

Definition per Klasse:

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()

Lass uns üben!

Deep Learning mit PyTorch für Fortgeschrittene