PyTorch och objektorienterad programmering

Fördjupad djupinlärning med PyTorch

Michal Oleszak

Machine Learning Engineer

Det här går vi igenom

Så tränar du robusta djupinlärningsmodeller:

Förbättra träning med optimerare
Hantera försvinnande och exploderade gradienter
Convolutional Neural Networks (CNNs)
Recurrent Neural Networks (RNNs)
Modeller med flera in- och utdata

PyTorch-logotyp

Förkunskaper

Kursen förutsätter att du känner till följande:

Träning av neurala nätverk:
- Framåtpassage
- Beräkning av förlust
- Bakåtpassage (backpropagation)
Träning av modeller med PyTorch:
- Datasets och DataLoaders
- Träningsloop för modeller
- Modellutvärdering
Förkunskapskurs: Introduction to Deep Learning with PyTorch

Objektorienterad programmering (OOP)

Vi använder OOP för att definiera:
- PyTorch Datasets
- PyTorch-modeller
I OOP skapar vi objekt med:
- Förmågor (metoder)
- Data (attribut)

Objektorienterad programmering (OOP)

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

__init__ anropas när ett BankAccount-objekt skapas
balance är attributet för BankAccount-objektet

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

Objektorienterad programmering (OOP)

Metoder: Python-funktioner för att utföra uppgifter
Metoden deposit ökar saldot

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)

Datamängd för vattenkvalitet

Pandas DataFrame med de första och sista raderna i datamängden för vattenkvalitet.

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: läs in data, spara som numpy-array
- super().__init__() säkerställer att WaterDataset fungerar som ett torch Dataset
len: returnera datamängdens storlek
getitem:
- tar ett argument som heter idx
- returnerar särdrag och etikett för ett enskilt sampel vid index 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.])

PyTorch-modell

Sekventiell modelldefinition:

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

Klassbaserad modelldefinition:

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()

Nu kör vi en övning!

Fördjupad djupinlärning med PyTorch