Menjalankan forward pass

Pengantar Deep Learning dengan PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Apa itu forward pass?

Data input mengalir melalui layer
Perhitungan dilakukan di tiap layer
Layer akhir menghasilkan output

Output bergantung pada bobot dan bias
Digunakan untuk pelatihan dan membuat prediksi

Representasi forward pass

Apa itu forward pass?

Kemungkinan output:

Klasifikasi biner
Klasifikasi multikelas
Regresi

Representasi forward pass dengan output akhir disorot

Klasifikasi biner: forward pass

Blok kode dengan komentar tambahan

# Buat model klasifikasi biner
model = nn.Sequential(
  nn.Linear(6, 4), # Linear layer pertama
  nn.Linear(4, 1), # Linear layer kedua
  nn.Sigmoid() # Fungsi aktivasi Sigmoid
)

Klasifikasi biner: forward pass

# Lewatkan data input ke model
output = model(input_data)
print(output)

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

Output: lima probabilitas antara 0 dan 1, satu per hewan
Klasifikasi (ambang 0,5):
- Kelas = 1 (mamalia) untuk nilai ≥ 0.5 (0.5188, 0.5015)
- Kelas = 0 (bukan mamalia) untuk nilai < 0.5 (0.3761, 0.3718, 0.4633)

Klasifikasi multikelas: forward pass

Kelas 1 - mamalia, kelas 2 - burung, kelas 3 - reptil

n_classes = 3


# Buat model klasifikasi multikelas
model = nn.Sequential(
  nn.Linear(6, 4), # Linear layer pertama
  nn.Linear(4, n_classes), # Linear layer kedua

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


# Lewatkan data input ke model
output = model(input_data)
print(output.shape)

torch.Size([5, 3])

Klasifikasi multikelas: forward pass

Tiap baris berjumlah satu
Label prediksi = kelas dengan probabilitas tertinggi
Baris 1 = kelas 1 (mamalia), baris 2 = kelas 1 (mamalia), baris 3 = kelas 3 (reptil)

Regresi: forward pass

# Buat model regresi
model = nn.Sequential(
  nn.Linear(6, 4), # Linear layer pertama
  nn.Linear(4, 1) # Linear layer kedua
)

# Lewatkan data input ke model
output = model(input_data)

# Keluarkan output
print(output)

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

Ayo berlatih!

Pengantar Deep Learning dengan PyTorch