PyTorch ile dizileri işleme

PyTorch ile Orta Düzey Deep Learning

Michal Oleszak

Machine Learning Engineer

Sıralı veriler

Zaman veya uzayda sıralı
Veri noktalarının sırası aralarındaki bağımlılıkları içerir
Sıralı veri örnekleri:
- Zaman serileri
- Metin
- Ses dalgaları

Bir bilgisayar ekranında görüntülenen bir zaman serisi.

Açık bir kitap.

Bir dizi hoparlör ve üzerinde ses işleme yazılımı açık bir bilgisayar ekranı.

Elektrik tüketimi tahmini

Görev: geçmiş örüntülere göre gelecekteki elektrik tüketimini tahmin et
Elektrik tüketimi veri kümesi:

                 timestamp  consumption
0      2011-01-01 00:15:00    -0.704319
1      2011-01-01 00:30:00    -0.704319
...                    ...          ...
140254 2014-12-31 23:45:00    -0.095751
140255 2015-01-01 00:00:00    -0.095751

¹ Trindade,Artur. (2015). ElectricityLoadDiagrams20112014. UCI Machine Learning Repository. https://doi.org/10.24432/C58C86.

Eğitim-test bölmesi

Zaman serilerinde rastgele bölme yok!
Önden bakış yanlılığı: model geleceği biliyor olur
Çözüm: zamana göre böl

Maviyle 2011-2013 eğitim kümesi ve turuncuyla 2014 test kümesi görsel olarak ayrılmış.

Diziler oluşturma

Dizi uzunluğu = bir eğitim örneğindeki veri noktası sayısı
- 24 × 4 = 96 -> son 24 saati al
Bir sonraki tek veri noktasını tahmin et

Eşit uzunlukta mavi giriş dizileri ve yeşil hedef değeri görsel olarak ayrılmış.

Python’da diziler oluşturma

import numpy as np

def create_sequences(df, seq_length):

    xs, ys = [], []

    for i in range(len(df) - seq_length):

        x = df.iloc[i:(i+seq_length), 1]
        y = df.iloc[i+seq_length, 1]

        xs.append(x)
        ys.append(y)

    return np.array(xs), np.array(ys)

Girdi: veri ve dizi uzunluğu
Girdi ve hedef listelerini başlat
Veri noktaları üzerinde yinele
Girdi ve hedefi tanımla
Listelere ekle
NumPy dizileri olarak döndür

TensorDataset

Eğitim örnekleri oluştur

X_train, y_train = create_sequences(train_data, seq_length)
print(X_train.shape, y_train.shape)

(34944, 96) (34944,)

Torch Dataset’e dönüştür

from torch.utils.data import TensorDataset

dataset_train = TensorDataset(
    torch.from_numpy(X_train).float(),
    torch.from_numpy(y_train).float(),
)

Diğer sıralı verilere uygulanabilirlik

Aynı teknikler şu dizilere de uygulanır:

Büyük Dil Modelleri
Konuşma tanıma

Hadi pratik yapalım!

PyTorch ile Orta Düzey Deep Learning