Een forward pass uitvoeren

Introductie tot Deep Learning met PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Wat is een forward pass?

Invoerdata stroomt door lagen
Berekeningen per laag
Laatste laag genereert outputs

Outputs gebaseerd op gewichten en biases
Gebruikt voor training en voorspellingen

Weergave van forward pass

Wat is een forward pass?

Mogelijke outputs:

Binaire classificatie
Multiklassenclassificatie
Regressies

Weergave van forward pass met eindoutput gemarkeerd

Binaire classificatie: forward pass

Codeblok met extra commentaar

# Create binary classification model
model = nn.Sequential(
  nn.Linear(6, 4), # First linear layer
  nn.Linear(4, 1), # Second linear layer
  nn.Sigmoid() # Sigmoid activation function
)

Binaire classificatie: forward pass

# Pass input data through model
output = model(input_data)
print(output)

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

Output: vijf kansen tussen 0 en 1, één per dier
Classificatie (drempel 0,5):
- Klasse = 1 (zoogdier) voor waarden ≥ 0,5 (0.5188, 0.5015)
- Klasse = 0 (geen zoogdier) voor waarden < 0,5 (0.3761, 0.3718, 0.4633)

Multiklassenclassificatie: forward pass

Klasse 1 - zoogdier, klasse 2 - vogel, klasse 3 - reptiel

n_classes = 3


# Create multi-class classification model
model = nn.Sequential(
  nn.Linear(6, 4), # First linear layer
  nn.Linear(4, n_classes), # Second linear layer

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


# Pass input data through model
output = model(input_data)
print(output.shape)

torch.Size([5, 3])

Multiklassenclassificatie: forward pass

Elke rij somt op tot één
Voorspeld label = klasse met de hoogste kans
Rij 1 = klasse 1 (zoogdier), rij 2 = klasse 1 (zoogdier), rij 3 = klasse 3 (reptiel)

Regressie: forward pass

# Create regression model
model = nn.Sequential(
  nn.Linear(6, 4), # First linear layer
  nn.Linear(4, 1) # Second linear layer
)

# Pass input data through model
output = model(input_data)

# Return output
print(output)

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

Laten we oefenen!

Introductie tot Deep Learning met PyTorch