Jangan membuatnya terlalu rumit dan lakukan dengan cepat… Ini adalah awal yang sederhana untuk PyTorch :D
Alur kerja ML melibatkan:
- data
- membuat model
- mengoptimalkan parameter model
- menyimpan model terlatih
1. Data
dua primitif untuk bekerja dengan data:
- obor.utils.data.DataLoader
- obor.utils.data.Dataset
import torch from torch import nn from torch.utils.data import DataLoader from torchvision import datasets from torchvision.transforms import ToTensor
Kumpulan data TorchVision(data visi dunia nyata seperti CIFAR, COCO › FashionMNIST):
- torchvision.datasets(2 argumen:
transform
dantarget_transform
)
# Download training data from open datasets. training_data = datasets.FashionMNIST( root="data", train=True, download=True, transform=ToTensor(), ) # Download test data from open datasets. test_data = datasets.FashionMNIST( root="data", train=False, download=True, transform=ToTensor(), )
Kami meneruskan
Dataset
sebagai argumen keDataLoader
. Ini menggabungkan iterable pada kumpulan data kami, dan mendukung pengelompokan otomatis, pengambilan sampel, pengacakan, dan pemuatan data multiproses.
Setiap elemen dalam dataloader iterable akan mengembalikan 64 fitur dan label:
batch_size = 64 # Create data loaders. train_dataloader = DataLoader(training_data, batch_size=batch_size) test_dataloader = DataLoader(test_data, batch_size=batch_size) for X, y in test_dataloader: print(f"Shape of X [N, C, H, W]: {X.shape}") print(f"Shape of y: {y.shape} {y.dtype}") break
2. Membuat Model
Untuk mendefinisikan NN kita membuat kelas yang mewarisi dari nn.Module.
- __init__ : lapisan NN
- forward : bagaimana data akan melewati NN
Untuk mempercepat operasi di jaringan saraf, kami memindahkannya ke GPU atau MPS jika tersedia.
# Get cpu, gpu or mps device for training. device = ( "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu" ) print(f"Using {device} device") # Define model class NeuralNetwork(nn.Module): def __init__(self): super().__init__() self.flatten = nn.Flatten() self.linear_relu_stack = nn.Sequential( nn.Linear(28*28, 512), nn.ReLU(), nn.Linear(512, 512), nn.ReLU(), nn.Linear(512, 10) ) def forward(self, x): x = self.flatten(x) logits = self.linear_relu_stack(x) return logits model = NeuralNetwork().to(device) print(model)
3. Mengoptimalkan Parameter Model
Untuk melatih model, kita membutuhkan
loss_fn = nn.CrossEntropyLoss() optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)
Dalam satu putaran pelatihan;
model membuat prediksi pada set data pelatihan (diumpankan ke dalamnya dalam batch), dan melakukan backpropagasi kesalahan prediksi untuk menyesuaikan parameter model.
def train(dataloader, model, loss_fn, optimizer): size = len(dataloader.dataset) model.train() for batch, (X, y) in enumerate(dataloader): X, y = X.to(device), y.to(device) # Compute prediction error pred = model(X) loss = loss_fn(pred, y) # Backpropagation optimizer.zero_grad() loss.backward() optimizer.step() if batch % 100 == 0: loss, current = loss.item(), (batch + 1) * len(X) print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
kinerja model terhadap kumpulan data pengujian:
def test(dataloader, model, loss_fn): size = len(dataloader.dataset) num_batches = len(dataloader) model.eval() test_loss, correct = 0, 0 with torch.no_grad(): for X, y in dataloader: X, y = X.to(device), y.to(device) pred = model(X) test_loss += loss_fn(pred, y).item() correct += (pred.argmax(1) == y).type(torch.float).sum().item() test_loss /= num_batches correct /= size print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
Proses pelatihan dilakukan dalam beberapa iterasi (epoch). Selama setiap periode, model mempelajari parameter untuk membuat prediksi yang lebih baik.
Kami mencetak akurasi dan kerugian model pada setiap periode;
epochs = 5 for t in range(epochs): print(f"Epoch {t+1}\n-------------------------------") train(train_dataloader, model, loss_fn, optimizer) test(test_dataloader, model, loss_fn) print("Done!")
4. menyimpan model terlatih
Menyimpan Model
torch.save(model.state_dict(), "model.pth") print("Saved PyTorch Model State to model.pth")
Memuat Model
model = NeuralNetwork() model.load_state_dict(torch.load("model.pth"))
Model ini sekarang dapat digunakan untuk membuat prediksi.
classes = [ "T-shirt/top", "Trouser", "Pullover", "Dress", "Coat", "Sandal", "Shirt", "Sneaker", "Bag", "Ankle boot", ] model.eval() x, y = test_data[0][0], test_data[0][1] with torch.no_grad(): pred = model(x) predicted, actual = classes[pred[0].argmax(0)], classes[y] print(f'Predicted: "{predicted}", Actual: "{actual}"')
Itu dia :)
Sumber: pytorch.org