PyTorch dan pemrograman berorientasi objek

Deep Learning Lanjutan dengan PyTorch

Michal Oleszak

Machine Learning Engineer

Apa yang akan dipelajari

Cara melatih model deep learning yang andal:

Meningkatkan pelatihan dengan optimizer
Mengurangi vanishing dan exploding gradients
Convolutional Neural Networks (CNN)
Recurrent Neural Networks (RNN)
Model multi-input dan multi-output

Logo PyTorch

Prasyarat

Kursus ini mengasumsikan Anda sudah memahami topik berikut:

Pelatihan jaringan saraf:
- Forward pass
- Perhitungan loss
- Backward pass (backpropagation)
Melatih model dengan PyTorch:
- Dataset dan DataLoader
- Loop pelatihan model
- Evaluasi model
Kursus prasyarat: Introduction to Deep Learning with PyTorch

Pemrograman Berorientasi Objek (OOP)

Kita akan memakai OOP untuk mendefinisikan:
- PyTorch Dataset
- PyTorch Model
Dalam OOP, kita membuat objek dengan:
- Kemampuan (method)
- Data (atribut)

Pemrograman Berorientasi Objek (OOP)

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

__init__ dipanggil saat objek BankAccount dibuat
balance adalah atribut dari objek BankAccount

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

Pemrograman Berorientasi Objek (OOP)

Method: fungsi Python untuk menjalankan tugas
Method deposit menambah saldo

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)

Dataset potabilitas air

Pandas DataFrame menampilkan beberapa baris awal dan akhir dari data potabilitas air.

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: memuat data, simpan sebagai array numpy
- super().__init__() memastikan WaterDataset berperilaku seperti Dataset torch
len: mengembalikan ukuran dataset
getitem:
- menerima satu argumen idx
- mengembalikan fitur dan label untuk satu sampel pada indeks 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.])

Model PyTorch

Definisi model sequential:

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

Definisi model berbasis kelas:

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!

Deep Learning Lanjutan dengan PyTorch