Sekarang A.I, M.L menjadi topik hangat, kami akan melakukan pembelajaran mendalam. Ini akan menjadi hal yang cukup sederhana. Sekadar mengetahui arsitektur dasar dan sebagainya. Sebelum kita melanjutkan, pastikan Anda telah menyiapkan Python 3 (sebaiknya) dan Anaconda. Semua langkah pengaturan dan repo kode dapat ditemukan di sini. Mari kita gali lebih dalam.
Impor Perpustakaan
import torch import numpy as np from torchvision import datasets import torchvision.transforms as transforms from torch.utils.data.sampler import SubsetRandomSampler
Persiapan data
Pengunduhan mungkin memakan waktu beberapa saat, dan Anda akan melihat kemajuan Anda saat data dimuat. Anda juga dapat memilih untuk mengubah batch_size jika Anda ingin memuat lebih banyak data sekaligus. Sel ini akan membuat DataLoader untuk setiap kumpulan data kita.
# number of subprocesses to use for data loading num_workers = 0 # how many samples per batch to load batch_size = 20 # percentage of training set to use as validation valid_size = 0.2 # convert data to torch.FloatTensor transform = transforms.ToTensor() # choose the training and testing datasets train_data = datasets.MNIST(root = 'data', train = True, download = True, transform = transform) test_data = datasets.MNIST(root = 'data', train = False, download = True, transform = transform) # obtain training indices that will be used for validation num_train = len(train_data) indices = list(range(num_train)) np.random.shuffle(indices) split = int(np.floor(valid_size * num_train)) train_index, valid_index = indices[split:], indices[:split] # define samplers for obtaining training and validation batches train_sampler = SubsetRandomSampler(train_index) valid_sampler = SubsetRandomSampler(valid_index) # prepare data loaders train_loader = torch.utils.data.DataLoader(train_data, batch_size = batch_size, sampler = train_sampler, num_workers = num_workers) valid_loader = torch.utils.data.DataLoader(train_data, batch_size = batch_size, sampler = valid_sampler, num_workers = num_workers) test_loader = torch.utils.data.DataLoader(test_data, batch_size = batch_size, num_workers = num_workers)
Visualisasikan sekumpulan data pelatihan
Langkah pertama dalam tugas klasifikasi adalah melihat data, memastikan data dimuat dengan benar, lalu melakukan observasi awal tentang pola dalam data tersebut.
import matplotlib.pyplot as plt %matplotlib inline # obtain one batch of training images dataiter = iter(train_loader) images, labels = dataiter.next() images = images.numpy() # plot the images in the batch, along with the corresponding labels fig = plt.figure(figsize=(25, 4)) for idx in np.arange(20): ax = fig.add_subplot(2, 20/2, idx+1, xticks=[], yticks=[]) ax.imshow(np.squeeze(images[idx]), cmap='gray') # print out the correct label for each image # .item() gets the value contained in a Tensor ax.set_title(str(labels[idx].item()))
Lihat Gambar Lebih Detail
img = np.squeeze(images[1]) fig = plt.figure(figsize = (12,12)) ax = fig.add_subplot(111) ax.imshow(img, cmap='gray') width, height = img.shape thresh = img.max()/2.5 for x in range(width): for y in range(height): val = round(img[x][y],2) if img[x][y] !=0 else 0 ax.annotate(str(val), xy=(y,x), horizontalalignment='center', verticalalignment='center', color='white' if img[x][y]<thresh else 'black')
Definisikan Arsitektur Jaringan
Arsitektur akan bertanggung jawab untuk melihat Tensor nilai piksel 784-dim sebagai masukan untuk setiap gambar, dan menghasilkan Tensor dengan panjang 10 (jumlah kelas kami) yang menunjukkan skor kelas untuk gambar masukan. Contoh khusus ini menggunakan dua lapisan tersembunyi dan dropout untuk menghindari overfitting.
import torch.nn as nn import torch.nn.functional as F # define NN architecture class Net(nn.Module): def __init__(self): super(Net,self).__init__() # number of hidden nodes in each layer (512) hidden_1 = 512 hidden_2 = 512 # linear layer (784 -> hidden_1) self.fc1 = nn.Linear(28*28, 512) # linear layer (n_hidden -> hidden_2) self.fc2 = nn.Linear(512,512) # linear layer (n_hidden -> 10) self.fc3 = nn.Linear(512,10) # dropout layer (p=0.2) # dropout prevents overfitting of data self.droput = nn.Dropout(0.2) def forward(self,x): # flatten image input x = x.view(-1,28*28) # add hidden layer, with relu activation function x = F.relu(self.fc1(x)) # add dropout layer x = self.droput(x) # add hidden layer, with relu activation function x = F.relu(self.fc2(x)) # add dropout layer x = self.droput(x) # add output layer x = self.fc3(x) return x # initialize the NN model = Net() print(model)
Tentukan fungsi Kerugian dan Pengoptimal
Disarankan agar Anda menggunakan kerugian lintas entropi untuk klasifikasi. Jika Anda melihat dokumentasi (ditautkan di atas), Anda dapat melihat bahwa fungsi entropi silang PyTorch menerapkan fungsi softmax ke lapisan keluaran dan kemudian menghitung kehilangan log.
# specify loss function (categorical cross-entropy) criterion = nn.CrossEntropyLoss() # specify optimizer (stochastic gradient descent) and learning rate = 0.01 optimizer = torch.optim.SGD(model.parameters(),lr = 0.01)
Latih jaringan
Langkah-langkah untuk pelatihan/pembelajaran dari sekumpulan data dijelaskan dalam komentar di bawah ini: Hapus gradien dari semua variabel yang dioptimalkan Terusan maju: hitung keluaran yang diprediksi dengan meneruskan masukan ke model Hitung kerugiannya Lintasan mundur: hitung gradien kerugian dengan hormat untuk memodelkan parameter Lakukan satu langkah pengoptimalan (pembaruan parameter) Perbarui kerugian pelatihan rata-rata Loop berikut dilatih selama 50 epoch; lihatlah bagaimana nilai kerugian pelatihan menurun seiring waktu. Kami ingin menguranginya sekaligus menghindari overfitting pada data pelatihan.
# number of epochs to train the model n_epochs = 50 # initialize tracker for minimum validation loss valid_loss_min = np.Inf # set initial "min" to infinity for epoch in range(n_epochs): # monitor losses train_loss = 0 valid_loss = 0 ################### # train the model # ################### model.train() # prep model for training for data,label in train_loader: # clear the gradients of all optimized variables optimizer.zero_grad() # forward pass: compute predicted outputs by passing inputs to the model output = model(data) # calculate the loss loss = criterion(output,label) # backward pass: compute gradient of the loss with respect to model parameters loss.backward() # perform a single optimization step (parameter update) optimizer.step() # update running training loss train_loss += loss.item() * data.size(0) ###################### # validate the model # ###################### model.eval() # prep model for evaluation for data,label in valid_loader: # forward pass: compute predicted outputs by passing inputs to the model output = model(data) # calculate the loss loss = criterion(output,label) # update running validation loss valid_loss = loss.item() * data.size(0) # print training/validation statistics # calculate average loss over an epoch train_loss = train_loss / len(train_loader.sampler) valid_loss = valid_loss / len(valid_loader.sampler) print('Epoch: {} \tTraining Loss: {:.6f} \tValidation Loss: {:.6f}'.format( epoch+1, train_loss, valid_loss )) # save model if validation loss has decreased if valid_loss <= valid_loss_min: print('Validation loss decreased ({:.6f} --> {:.6f}). Saving model ...'.format( valid_loss_min, valid_loss)) torch.save(model.state_dict(), 'model.pt') valid_loss_min = valid_loss
Muat Model dengan Kerugian Validasi Terendah
model.load_state_dict(torch.load('model.pt'))
Uji Jaringan yang dilatih
Terakhir, kami menguji model terbaik kami pada data pengujian yang sebelumnya tidak terlihat dan mengevaluasi performanya. Menguji data yang tidak terlihat adalah cara yang baik untuk memeriksa apakah model kita dapat digeneralisasi dengan baik. Mungkin berguna juga untuk menganalisis secara terperinci dan melihat bagaimana kinerja model ini di setiap kelas serta melihat kerugian dan keakuratannya secara keseluruhan.
# initialize lists to monitor test loss and accuracy test_loss = 0.0 class_correct = list(0. for i in range(10)) class_total = list(0. for i in range(10)) model.eval() # prep model for evaluation for data, target in test_loader: # forward pass: compute predicted outputs by passing inputs to the model output = model(data) # calculate the loss loss = criterion(output, target) # update test loss test_loss += loss.item()*data.size(0) # convert output probabilities to predicted class _, pred = torch.max(output, 1) # compare predictions to true label correct = np.squeeze(pred.eq(target.data.view_as(pred))) # calculate test accuracy for each object class for i in range(len(target)): label = target.data[i] class_correct[label] += correct[i].item() class_total[label] += 1 # calculate and print avg test loss test_loss = test_loss/len(test_loader.sampler) print('Test Loss: {:.6f}\n'.format(test_loss)) for i in range(10): if class_total[i] > 0: print('Test Accuracy of %5s: %2d%% (%2d/%2d)' % ( str(i), 100 * class_correct[i] / class_total[i], np.sum(class_correct[i]), np.sum(class_total[i]))) else: print('Test Accuracy of %5s: N/A (no training examples)' % (classes[i])) print('\nTest Accuracy (Overall): %2d%% (%2d/%2d)' % ( 100. * np.sum(class_correct) / np.sum(class_total), np.sum(class_correct), np.sum(class_total)))
Visualisasikan Contoh Hasil Tes
Sel ini menampilkan gambar uji dan labelnya dalam format ini: prediksi (kebenaran dasar). Teks akan berwarna hijau untuk contoh yang diklasifikasikan secara akurat dan merah untuk prediksi yang salah.
# obtain one batch of test images dataiter = iter(test_loader) images, labels = dataiter.next() # get sample outputs output = model(images) # convert output probabilities to predicted class _, preds = torch.max(output, 1) # prep images for display images = images.numpy() # plot the images in the batch, along with predicted and true labels fig = plt.figure(figsize=(25, 4)) for idx in np.arange(20): ax = fig.add_subplot(2, 20/2, idx+1, xticks=[], yticks=[]) ax.imshow(np.squeeze(images[idx]), cmap='gray') ax.set_title("{} ({})".format(str(preds[idx].item()), str(labels[idx].item())), color=("green" if preds[idx]==labels[idx] else "red"))