PyTorch i programowanie obiektowe

Głębokie uczenie z PyTorch – poziom średnio zaawansowany

Michal Oleszak

Machine Learning Engineer

Czego się nauczymy

Jak trenować solidne modele głębokiego uczenia:

Ulepszanie treningu za pomocą optymalizatorów
Zapobieganie zanikaniu i eksplozji gradientów
Konwolucyjne sieci neuronowe (CNN)
Rekurencyjne sieci neuronowe (RNN)
Modele z wieloma wejściami i wyjściami

Logo PyTorch

Wymagania wstępne

Kurs zakłada znajomość następujących zagadnień:

Trenowanie sieci neuronowych:
- Przejście w przód
- Obliczanie straty
- Przejście wstecz (propagacja wsteczna)
Trenowanie modeli w PyTorch:
- Datasety i DataLoadery
- Pętla trenująca model
- Ewaluacja modelu
Kurs wstępny: Introduction to Deep Learning with PyTorch

Programowanie obiektowe (OOP)

OOP zostanie użyte do definiowania:
- Datasetów PyTorch
- Modeli PyTorch
W OOP tworzymy obiekty posiadające:
- Możliwości (metody)
- Dane (atrybuty)

Programowanie obiektowe (OOP)

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

__init__ jest wywoływane przy tworzeniu obiektu BankAccount
balance jest atrybutem obiektu BankAccount

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

Programowanie obiektowe (OOP)

Metody: funkcje Pythona do wykonywania zadań
Metoda deposit zwiększa 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)

Zbiór danych o jakości wody

Ramka danych Pandas przedstawiająca kilka pierwszych i ostatnich wierszy danych o jakości wody.

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: wczytanie danych, zapis jako tablica numpy
- super().__init__() zapewnia, że WaterDataset działa jak torch Dataset
len: zwraca rozmiar zbioru danych
getitem:
- przyjmuje jeden argument idx
- zwraca cechy i etykietę dla pojedynczej próbki o indeksie 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

Definicja modelu sekwencyjnego:

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

Definicja modelu opartego na klasie:

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()

Czas na ćwiczenia!

Głębokie uczenie z PyTorch – poziom średnio zaawansowany