PyTorch ve nesne yönelimli programlama

PyTorch ile Orta Düzey Deep Learning

Michal Oleszak

Machine Learning Engineer

Neler öğreneceğiz

Dayanıklı derin öğrenme modelleri nasıl eğitilir:

Optimize edicilerle eğitimi iyileştirme
Sönen ve patlayan gradyanları azaltma
Evrişimsel Sinir Ağları (CNN)
Tekrarlayan Sinir Ağları (RNN)
Çok girişli ve çok çıkışlı modeller

PyTorch logosu

Önkoşullar

Kurs, aşağıdaki konulara hâkim olduğunuzu varsayar:

Sinir ağları eğitimi:
- İleri geçiş
- Kayıp hesaplama
- Geri geçiş (geri yayılım)
PyTorch ile model eğitimi:
- Dataset ve DataLoader'lar
- Model eğitim döngüsü
- Model değerlendirme
Önkoşul kurs: Introduction to Deep Learning with PyTorch

Nesne Yönelimli Programlama (OOP)

OOP'yi şunları tanımlamak için kullanacağız:
- PyTorch Dataset'leri
- PyTorch Modelleri
OOP'de nesneleri şu bileşenlerle oluştururuz:
- Yetenekler (yöntemler)
- Veri (öznitelikler)

Nesne Yönelimli Programlama (OOP)

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

__init__, BankAccount nesnesi oluşturulurken çağrılır
balance, BankAccount nesnesinin özniteliğidir

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

Nesne Yönelimli Programlama (OOP)

Yöntemler: Görevleri yapan Python fonksiyonları
deposit yöntemi bakiyeyi artırır

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)

Su içilebilirliği veri seti

Su içilebilirliği verisinin ilk ve son birkaç satırını gösteren bir Pandas DataFrame.

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: veriyi yükler, numpy dizisi olarak saklar
- super().__init__() WaterDatasetin torch Dataset gibi davranmasını sağlar
len: veri seti boyutunu döndürür
getitem:
- idx adlı bir argüman alır
- idx indeksindeki tek örnek için özellikler ve etiketi döndürür

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 Modeli

Sıralı model tanımı:

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

Sınıf tabanlı model tanımı:

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()

Ayo berlatih!

PyTorch ile Orta Düzey Deep Learning