PyTorch 與物件導向程式設計

Intermediate Deep Learning with PyTorch

Michal Oleszak

Machine Learning Engineer

本章重點

如何訓練穩健的深度學習模型：

使用最佳化器改進訓練
緩解梯度消失與爆炸
卷積神經網路（CNN）
循環神經網路（RNN）
多輸入與多輸出模型

PyTorch 標誌

先備知識

本課程假設你已熟悉以下主題：

神經網路訓練：
- 前向傳播
- 損失計算
- 反向傳播（backpropagation）
使用 PyTorch 訓練模型：
- Datasets 與 DataLoaders
- 模型訓練迴圈
- 模型評估
先修課程：Introduction to Deep Learning with PyTorch

物件導向程式設計（OOP）

我們將用 OOP 定義：
- PyTorch Datasets
- PyTorch Models
在 OOP 中，物件包含：
- 能力（methods）
- 資料（attributes）

物件導向程式設計（OOP）

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

建立 BankAccount 物件時會呼叫 __init__
balance 是 BankAccount 物件的屬性

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

物件導向程式設計（OOP）

方法：執行任務的 Python 函式
deposit 方法會增加餘額

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)

飲用水可飲用性資料集

Pandas DataFrame 顯示飲用水可飲用性資料的前幾列與後幾列。

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：載入資料並存成 numpy 陣列
- super().__init__() 可讓 WaterDataset 具備 torch Dataset 的行為
len：回傳資料集大小
getitem：
- 接收名為 idx 的引數
- 回傳索引 idx 的單筆樣本之特徵與標籤

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 模型

Sequential 模型定義：

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

以類別定義模型：

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()

一起來練習吧！

Intermediate Deep Learning with PyTorch