PyTorch і об'єктноорієнтоване програмування

Середній рівень Deep Learning з PyTorch

Michal Oleszak

Machine Learning Engineer

Що ми вивчимо

Як навчати надійні моделі глибокого навчання:

Поліпшення навчання оптимізаторами
Пом'якшення зникних і вибухових градієнтів
Convolutional Neural Networks (CNNs)
Recurrent Neural Networks (RNNs)
Моделі з кількома входами та виходами

Логотип PyTorch

Попередні вимоги

Курс передбачає, що ви впевнено володієте такими темами:

Навчання нейронних мереж:
- Прямий прохід
- Обчислення втрат
- Зворотний прохід (backpropagation)
Навчання моделей у PyTorch:
- Datasets і DataLoaders
- Цикл навчання моделі
- Оцінювання моделі
Необхідний курс: Introduction to Deep Learning with PyTorch

Об'єктноорієнтоване програмування (ООП)

Ми використаємо ООП, щоб визначити:
- PyTorch Datasets
- PyTorch Models
В ООП ми створюємо об'єкти з:
- Можливостями (методи)
- Даними (атрибути)

Об'єктноорієнтоване програмування (ООП)

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

__init__ викликається під час створення об'єкта BankAccount
balance — атрибут об'єкта BankAccount

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

Об'єктноорієнтоване програмування (ООП)

Методи: функції Python для виконання дій
Метод deposit збільшує баланс

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)

Набір даних про питність води

DataFrame Pandas з кількома першими та останніми рядками даних про питність води.

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: завантажити дані, зберегти як масив numpy
- super().__init__() гарантує, що WaterDataset поводиться як Dataset з torch
len: повертає розмір набору даних
getitem:
- приймає один аргумент idx
- повертає ознаки та мітку для прикладу з індексом 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.])

Модель PyTorch

Опис послідовної моделі:

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

Опис моделі через клас:

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()

Давайте потренуємось!

Середній рівень Deep Learning з PyTorch