İleri geçişin çalıştırılması

PyTorch ile Deep Learning'e Giriş

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

İleri geçiş nedir?

Girdi verisi katmanlardan akar
Her katmanda hesaplamalar yapılır
Son katman çıktıları üretir

Çıktılar ağırlıklar ve sapmalara göre üretilir
Eğitim ve tahmin için kullanılır

İleri geçiş gösterimi

İleri geçiş nedir?

Olası çıktılar:

İkili sınıflandırma
Çok sınıflı sınıflandırma
Regresyon

Son çıktı vurgulu ileri geçiş gösterimi

İkili sınıflandırma: ileri geçiş

Açıklama ekli kod bloğu

# İkili sınıflandırma modeli oluşturun
model = nn.Sequential(
  nn.Linear(6, 4), # Birinci doğrusal katman
  nn.Linear(4, 1), # İkinci doğrusal katman
  nn.Sigmoid() # Sigmoid aktivasyon fonksiyonu
)

İkili sınıflandırma: ileri geçiş

# Girdiyi modelden geçirin
output = model(input_data)
print(output)

tensor([[0.5188], [0.3761], [0.5015], [0.3718], [0.4663]], 
    grad_fn=<SigmoidBackward0>)

Çıktı: her hayvan için 0 ile 1 arasında beş olasılık
Sınıflandırma (0.5 eşik):
- Değerler ≥ 0.5 için sınıf = 1 (memeli) (0.5188, 0.5015)
- Değerler < 0.5 için sınıf = 0 (memeli değil) (0.3761, 0.3718, 0.4633)

Çok sınıflı sınıflandırma: ileri geçiş

Sınıf 1 - memeli, sınıf 2 - kuş, sınıf 3 - sürüngen

n_classes = 3


# Çok sınıflı sınıflandırma modeli oluşturun
model = nn.Sequential(
  nn.Linear(6, 4), # Birinci doğrusal katman
  nn.Linear(4, n_classes), # İkinci doğrusal katman

  nn.Softmax(dim=-1) # Softmax aktivasyonu 
)


# Girdiyi modelden geçirin
output = model(input_data)
print(output.shape)

torch.Size([5, 3])

Çok sınıflı sınıflandırma: ileri geçiş

çok sınıflı çıktı matrisi

Her satırın toplamı birdir
Tahmin edilen etiket = en yüksek olasılıklı sınıf
Satır 1 = sınıf 1 (memeli), satır 2 = sınıf 1 (memeli), satır 3 = sınıf 3 (sürüngen)

Regresyon: ileri geçiş

# Regresyon modeli oluşturun
model = nn.Sequential(
  nn.Linear(6, 4), # Birinci doğrusal katman
  nn.Linear(4, 1) # İkinci doğrusal katman
)

# Girdiyi modelden geçirin
output = model(input_data)

# Çıktıyı yazdırın
print(output)

tensor([[0.3818],
        [0.0712],
        [0.3376],
        [0.0231],
        [0.0757]], 
        grad_fn=<AddmmBackward0>)

Hadi pratik yapalım!

PyTorch ile Deep Learning'e Giriş