PyTorch a objektově orientované programování

Intermediate Deep Learning with PyTorch

Michal Oleszak

Machine Learning Engineer

Co se naučíme

Jak trénovat robustní modely hlubokého učení:

Zlepšení trénování pomocí optimalizátorů
Zmírnění mizejících a explodujících gradientů
Konvoluční neuronové sítě (CNN)
Rekurentní neuronové sítě (RNN)
Modely s více vstupy a výstupy

Logo PyTorch

Předpoklady

Kurz předpokládá znalost následujících témat:

Trénování neuronových sítí:
- Dopředný průchod
- Výpočet ztráty
- Zpětný průchod (backpropagation)
Trénování modelů v PyTorch:
- Datové sady a DataLoadery
- Trénovací smyčka
- Vyhodnocení modelu
Předchozí kurz: Introduction to Deep Learning with PyTorch

Objektově orientované programování (OOP)

OOP využijeme k definici:
- PyTorch Datasets
- PyTorch modelů
V OOP vytváříme objekty s:
- Schopnostmi (metody)
- Daty (atributy)

Objektově orientované programování (OOP)

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

__init__ je voláno při vytvoření objektu BankAccount
balance je atributem objektu BankAccount

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

Objektově orientované programování (OOP)

Metody: funkce Pythonu pro provádění úkolů
Metoda deposit zvyšuje zůstatek

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)

Datová sada: kvalita vody

Pandas DataFrame zobrazující několik prvních a posledních řádků datové sady o kvalitě vody.

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: načtení dat, uložení jako numpy pole
- super().__init__() zajistí, že WaterDataset se chová jako torch Dataset
len: vrátí velikost datové sady
getitem:
- přijímá jeden argument idx
- vrátí příznaky a štítek pro jeden vzorek na indexu 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

Definice modelu pomocí Sequential:

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

Definice modelu pomocí třídy:

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()

Pojďme si procvičit!

Intermediate Deep Learning with PyTorch