Scrierea primului ciclu de antrenament

Introducere în Deep Learning cu PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Antrenarea unei rețele neuronale

Creați un model
Alegeți o funcție de pierdere
Definiți un set de date
Setați un optimizer
Rulați un ciclu de antrenament:
- Calculați pierderea (pasul înainte)
- Calculați gradienții (propagare inversă)
- Actualizați parametrii modelului

Prezentarea setului de date Data Science Salary

 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

Caracteristici: categoriale, țintă: salariu (USD)
Ieșire finală: strat liniar
Pierdere: specifică regresiei

Pierderea prin eroare pătratică medie

Pierderea MSE este media diferențelor pătratice dintre predicții și valorile reale

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

în PyTorch:

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

Înainte de ciclul de antrenament

# 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)

Ciclul de antrenament

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()

Să exersăm!

Introducere în Deep Learning cu PyTorch