PyTorch와 객체 지향 프로그래밍

PyTorch로 배우는 Intermediate Deep Learning

Michal Oleszak

Machine Learning Engineer

학습 목표

견고한 딥러닝 모델을 학습하는 방법:

옵티마이저로 학습 개선
기울기 소실/폭주 완화
합성곱 신경망(CNN)
순환 신경망(RNN)
다중 입력/출력 모델

PyTorch 로고

필수 지식

이 과목은 다음 주제에 익숙하다고 가정합니다:

신경망 학습:
- 순전파
- 손실 계산
- 역전파
PyTorch로 모델 학습:
- Dataset과 DataLoader
- 모델 학습 루프
- 모델 평가
선수 과목: Introduction to Deep Learning with PyTorch

객체 지향 프로그래밍(OOP)

OOP로 다음을 정의합니다:
- PyTorch Dataset
- PyTorch 모델
OOP에서 객체는 다음을 가집니다:
- 동작(메서드)
- 데이터(속성)

객체 지향 프로그래밍(OOP)

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

__init__는 BankAccount 객체가 생성될 때 호출됨
balance는 BankAccount 객체의 속성임

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

객체 지향 프로그래밍(OOP)

메서드: 작업을 수행하는 Python 함수
deposit 메서드는 잔액을 증가시킴

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)

물 음용 가능성 데이터셋

물 음용 가능성 데이터의 일부 처음과 마지막 행을 보여주는 Pandas DataFrame.

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: 데이터 로드, numpy 배열로 저장
- super().__init__()로 WaterDataset이 torch Dataset처럼 동작하도록 함
len: 데이터셋 크기 반환
getitem:
- idx 인자 하나를 받음
- 인덱스 idx의 단일 샘플에 대한 특징과 레이블 반환

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 모델

Sequential 모델 정의:

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

클래스 기반 모델 정의:

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()

연습해 봅시다!

PyTorch로 배우는 Intermediate Deep Learning