PyTorch और ऑब्जेक्ट-ओरिएंटेड प्रोग्रामिंग

इंटरमीडिएट Deep Learning with PyTorch

Michal Oleszak

Machine Learning Engineer

हम क्या सीखेंगे

मजबूत डीप लर्निंग मॉडल कैसे ट्रेन करें:

Optimizers से ट्रेनिंग बेहतर करें
Vanishing/Exploding gradients घटाएँ
Convolutional Neural Networks (CNNs)
Recurrent Neural Networks (RNNs)
Multi-input और multi-output मॉडल्स

PyTorch लोगो

Prerequisites

कोर्स यह मानता है कि आप इन विषयों में सहज हैं:

Neural networks training:
- Forward pass
- Loss calculation
- Backward pass (backpropagation)
PyTorch से मॉडल ट्रेनिंग:
- Datasets और DataLoaders
- Model training loop
- Model evaluation
पूर्व-आवश्यक कोर्स: Introduction to Deep Learning with PyTorch

Object-Oriented Programming (OOP)

हम OOP से इन्हें परिभाषित करेंगे:
- PyTorch Datasets
- PyTorch Models
OOP में, हम ऑब्जेक्ट बनाते हैं जिनमें:
- क्षमताएँ (methods)
- डेटा (attributes)

Object-Oriented Programming (OOP)

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

__init__ तब कॉल होता है जब BankAccount ऑब्जेक्ट बनता है
balance BankAccount ऑब्जेक्ट का attribute है

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

Object-Oriented Programming (OOP)

Methods: काम करने के लिए Python functions
deposit method बैलेंस बढ़ाता है

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)

Water potability डेटासेट

Pandas DataFrame जिसमें water potability डेटा की शुरुआती और आख़िरी कुछ पंक्तियाँ दिख रही हैं.

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: डेटा लोड करें, numpy array में स्टोर करें
- super().__init__() सुनिश्चित करता है कि WaterDataset torch Dataset जैसा व्यवहार करे
len: डेटासेट का आकार लौटाएँ
getitem:
- एक आर्ग्युमेंट idx लेता है
- इंडेक्स idx पर सिंगल sample के features और label लौटाता है

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.])

PyTorch मॉडल

Sequential मॉडल परिभाषा:

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

क्लास-आधारित मॉडल परिभाषा:

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()

अभ्यास करते हैं!

इंटरमीडिएट Deep Learning with PyTorch