Запуск прямого проходу

Вступ до Deep Learning з PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Що таке прямий прохід?

Вхідні дані проходять крізь шари
На кожному шарі виконуються обчислення
Останній шар формує виходи

Виходи базуються на вагах і зміщеннях
Використовуються для тренування та прогнозування

Схема прямого проходу

Що таке прямий прохід?

Можливі виходи:

Бінарна класифікація
Багатокласова класифікація
Регресія

Прямий прохід з підсвіченим фінальним виходом

Бінарна класифікація: прямий прохід

Блок коду з коментарями

# Create binary classification model
model = nn.Sequential(
  nn.Linear(6, 4), # First linear layer
  nn.Linear(4, 1), # Second linear layer
  nn.Sigmoid() # Sigmoid activation function
)

Бінарна класифікація: прямий прохід

# Pass input data through model
output = model(input_data)
print(output)

tensor([[0.5188], [0.3761], [0.5015], [0.3718], [0.4663]], 
    grad_fn=<SigmoidBackward0>)

Вихід: п'ять імовірностей між 0 і 1, по одній для кожної тварини
Класифікація (поріг 0,5):
- Клас = 1 (ссавець) для значень ≥ 0.5 (0.5188, 0.5015)
- Клас = 0 (не ссавець) для значень < 0.5 (0.3761, 0.3718, 0.4633)

Багатокласова класифікація: прямий прохід

Клас 1 — ссавець, клас 2 — птах, клас 3 — плазуни

n_classes = 3


# Create multi-class classification model
model = nn.Sequential(
  nn.Linear(6, 4), # First linear layer
  nn.Linear(4, n_classes), # Second linear layer

  nn.Softmax(dim=-1) # Softmax activation 
)


# Pass input data through model
output = model(input_data)
print(output.shape)

torch.Size([5, 3])

Багатокласова класифікація: прямий прохід

Кожен рядок сумується до одиниці
Прогнозована мітка = клас із найбільшою імовірністю
Рядок 1 = клас 1 (ссавець), рядок 2 = клас 1 (ссавець), рядок 3 = клас 3 (плазуни)

Регресія: прямий прохід

# Create regression model
model = nn.Sequential(
  nn.Linear(6, 4), # First linear layer
  nn.Linear(4, 1) # Second linear layer
)

# Pass input data through model
output = model(input_data)

# Return output
print(output)

tensor([[0.3818],
        [0.0712],
        [0.3376],
        [0.0231],
        [0.0757]], 
        grad_fn=<AddmmBackward0>)

Давайте потренуємось!

Вступ до Deep Learning з PyTorch