PyTorch en objectgeoriënteerd programmeren

Gevorderde Deep Learning met PyTorch

Michal Oleszak

Machine Learning Engineer

Wat je leert

Robuuste deep-learningmodellen trainen:

Training verbeteren met optimizers
Verdwijnende/ontploffende gradiënten beperken
Convolutionele neurale netwerken (CNN's)
Recurrente neurale netwerken (RNN's)
Modellen met meerdere inputs/outputs

PyTorch-logo

Vereisten

Deze cursus gaat ervan uit dat je bekend bent met:

Training van neurale netwerken:
- Forward pass
- Verliesberekening
- Backward pass (backpropagatie)
Modellen trainen met PyTorch:
- Datasets en DataLoaders
- Trainingslus
- Modellevaluatie
Vereiste cursus: Introduction to Deep Learning with PyTorch

Objectgeoriënteerd programmeren (OOP)

We gebruiken OOP om te definiëren:
- PyTorch Datasets
- PyTorch Modellen
In OOP maken we objecten met:
- Vermogens (methoden)
- Data (attributen)

Objectgeoriënteerd programmeren (OOP)

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

__init__ wordt aangeroepen bij het maken van een BankAccount-object
balance is het attribuut van het BankAccount-object

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

Objectgeoriënteerd programmeren (OOP)

Methoden: Python-functies om taken uit te voeren
deposit-methode verhoogt de balans

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)

Waterdrinkbaarheid-dataset

Pandas DataFrame met enkele eerste en laatste rijen van de waterdrinkbaarheid-data.

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: data laden, opslaan als numpy-array
- super().__init__() zorgt dat WaterDataset zich gedraagt als torch Dataset
len: aantal rijen van de dataset
getitem:
- neemt één argument idx
- retourneert features en label voor sample op index idx

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-model

Sequentieel model definiëren:

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

Klasse-gebaseerd model definiëren:

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()

Laten we oefenen!

Gevorderde Deep Learning met PyTorch