PyTorch и объектно-ориентированное программирование

Глубокое обучение на PyTorch: средний уровень

Michal Oleszak

Machine Learning Engineer

Что мы изучим

Как обучать надёжные модели глубокого обучения:

Улучшение обучения с помощью оптимизаторов
Устранение затухания и взрыва градиентов
Свёрточные нейронные сети (CNN)
Рекуррентные нейронные сети (RNN)
Модели с несколькими входами и выходами

Логотип PyTorch

Предварительные требования

Курс предполагает знакомство со следующими темами:

Обучение нейронных сетей:
- Прямой проход
- Вычисление функции потерь
- Обратный проход (обратное распространение ошибки)
Обучение моделей с PyTorch:
- Наборы данных и DataLoaders
- Цикл обучения модели
- Оценка модели
Предварительный курс: Introduction to Deep Learning with PyTorch

Объектно-ориентированное программирование (ООП)

ООП будет использоваться для определения:
- Наборов данных PyTorch
- Моделей PyTorch
В ООП объекты создаются с помощью:
- Возможностей (методов)
- Данных (атрибутов)

Объектно-ориентированное программирование (ООП)

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

__init__ вызывается при создании объекта BankAccount
balance — атрибут объекта BankAccount

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

Объектно-ориентированное программирование (ООП)

Методы: функции Python для выполнения задач
Метод deposit увеличивает 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)

Набор данных о пригодности воды

DataFrame pandas с первыми и последними строками набора данных о пригодности воды для питья.

Набор данных PyTorch

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: загрузить данные и сохранить как массив numpy
- super().__init__() гарантирует, что WaterDataset ведёт себя как torch Dataset
len: вернуть размер набора данных
getitem:
- принимает один аргумент idx
- возвращает признаки и метку для одного образца по индексу idx

DataLoader в PyTorch

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

Определение модели через Sequential:

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

Определение модели через класс:

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 потренируемся!

Глубокое обучение на PyTorch: средний уровень