Piszemy pierwszą pętlę treningową

Wprowadzenie do uczenia głębokiego z PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Trenowanie sieci neuronowej

Utwórz model
Wybierz funkcję straty
Zdefiniuj zbiór danych
Ustaw optymalizator
Uruchom pętlę treningową:
- Oblicz stratę (przejście w przód)
- Wyznacz gradienty (wsteczna propagacja)
- Zaktualizuj parametry modelu

Zbiór danych: wynagrodzenia w Data Science

 experience_level  employment_type  remote_ratio  company_size  salary_in_usd  
        0                0               0.5             1            0.036 
        1                0               1.0             2            0.133     
        2                0               0.0             1            0.234  
        1                0               1.0             0            0.076  
        2                0               1.0             1            0.170

Cechy: kategoryczne, cel: wynagrodzenie (USD)
Warstwa wyjściowa: liniowa
Strata: właściwa dla regresji

Błąd średniokwadratowy (MSE)

Strata MSE to średnia kwadratów różnic między predykcjami a wartościami rzeczywistymi

def mean_squared_loss(prediction, target):
  return np.mean((prediction - target)**2)

w PyTorch:

criterion = nn.MSELoss()
# Prediction and target are float tensors
loss = criterion(prediction, target)

Przed pętlą treningową

# Create the dataset and the dataloader
dataset = TensorDataset(torch.tensor(features).float(),
                        torch.tensor(target).float())


dataloader = DataLoader(dataset, batch_size=4, shuffle=True)


# Create the model
model = nn.Sequential(nn.Linear(4, 2), 
                      nn.Linear(2, 1))


# Create the loss and optimizer
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.001)

Pętla treningowa

for epoch in range(num_epochs):

    for data in dataloader:

        # Set the gradients to zero
        optimizer.zero_grad()

        # Get feature and target from the data loader
        feature, target = data

        # Run a forward pass
        pred = model(feature)
        # Compute loss and gradients
        loss = criterion(pred, target)
        loss.backward()

        # Update the parameters
        optimizer.step()

Czas na ćwiczenia!

Wprowadzenie do uczenia głębokiego z PyTorch