執行前向傳遞

使用 PyTorch 的深度學習入門

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

什麼是前向傳遞？

輸入資料流經各層
每層執行計算
最終層產生輸出

輸出取決於權重與偏差
用於訓練與預測

前向傳遞示意圖

什麼是前向傳遞？

可能的輸出：

二元分類
多類別分類
迴歸

前向傳遞示意圖（標示最終輸出）

二元分類：前向傳遞

含註解的程式碼區塊

# 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
)

二元分類：前向傳遞

# 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>)

輸出：5 個介於 0 到 1 的機率，各對應一種動物
以 0.5 作為閾值進行分類：
- 值 ≥ 0.5 則類別 = 1（哺乳類）（0.5188、0.5015）
- 值 < 0.5 則類別 = 0（非哺乳類）（0.3761、0.3718、0.4633）

多類別分類：前向傳遞

類別 1：哺乳類，類別 2：鳥類，類別 3：爬行類

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])

多類別分類：前向傳遞

每一列加總為 1
預測標籤＝機率最高的類別
第 1 列＝類別 1（哺乳類），第 2 列＝類別 1（哺乳類），第 3 列＝類別 3（爬行類）

迴歸：前向傳遞

# 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>)

一起來練習吧！

使用 PyTorch 的深度學習入門