Exécuter une passe avant

Introduction au Deep Learning avec PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Qu'est-ce qu'une passe avant ?

Les données d'entrée circulent dans les couches
Calculs effectués à chaque couche
La couche finale génère des résultats

Résultats produits selon les poids et biais
Utilisés pour l'entraînement et les prédictions

Représentation d'une passe avant

Qu'est-ce qu'une passe avant ?

Résultats possibles :

Classification binaire
Classification multiclasse
Régressions

Représentation d'une passe avant avec la sortie finale en évidence

Classification binaire : passe avant

Bloc de code avec commentaires ajoutés

# 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
)

Classification binaire : passe avant

# 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>)

Sortie : cinq probabilités entre 0 et 1, une par animal
Classification (seuil 0,5) :
- Classe = 1 (mammifère) pour valeurs ≥ 0.5 (0.5188, 0.5015)
- Classe = 0 (non mammifère) pour valeurs < 0.5 (0.3761, 0.3718, 0.4633)

Classification multiclasse : passe avant

Classe 1 – mammifère, classe 2 – oiseau, classe 3 – reptile

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])

Classification multiclasse : passe avant

Chaque ligne somme à un
Étiquette prévue = classe ayant la probabilité la plus élevée
Ligne 1 = classe 1 (mammifère), ligne 2 = classe 1 (mammifère), ligne 3 = classe 3 (reptile)

Régression : passe avant

# 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>)

Passons à la pratique !

Introduction au Deep Learning avec PyTorch