İlk eğitim döngümüzü yazmak

PyTorch ile Deep Learning'e Giriş

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Bir sinir ağını eğitmek

Model oluşturun
Kayıp fonksiyonu seçin
Veri kümesi tanımlayın
Bir optimize edici ayarlayın
Eğitim döngüsünü çalıştırın:
- Kayıp hesapla (ileri geçiş)
- Gradyanları hesapla (geri yayılım)
- Model parametrelerini güncelle

Data Science Salary veri kümesine giriş

 experience_level  employment_type  remote_ratio  company_size  salary_in_usd  
        0                0               0.5             1            0.036 
        1                0               1.0             2            0.133     
        2                0               0.0             1            0.234  
        1                0               1.0             0            0.076  
        2                0               1.0             1            0.170

Özellikler: kategorik, hedef: maaş (USD)
Son çıktı: doğrusal katman
Kayıp: regresyona özgü

Ortalama Kare Hata (MSE) Kaybı

MSE kaybı, tahmin ile gerçek değer arasındaki farkın karelerinin ortalamasıdır

def mean_squared_loss(prediction, target):
  return np.mean((prediction - target)**2)

PyTorch'ta:

criterion = nn.MSELoss()
# Prediction and target are float tensors
loss = criterion(prediction, target)

Eğitim döngüsünden önce

# Create the dataset and the dataloader
dataset = TensorDataset(torch.tensor(features).float(),
                        torch.tensor(target).float())


dataloader = DataLoader(dataset, batch_size=4, shuffle=True)


# Create the model
model = nn.Sequential(nn.Linear(4, 2), 
                      nn.Linear(2, 1))


# Create the loss and optimizer
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.001)

Eğitim döngüsü

for epoch in range(num_epochs):

    for data in dataloader:

        # Set the gradients to zero
        optimizer.zero_grad()

        # Get feature and target from the data loader
        feature, target = data

        # Run a forward pass
        pred = model(feature)
        # Compute loss and gradients
        loss = criterion(pred, target)
        loss.backward()

        # Update the parameters
        optimizer.step()

Hadi pratik yapalım!

PyTorch ile Deep Learning'e Giriş