Запустите PyTorch за 3 минуты!

Давайте не будем слишком усложнять и пойдем быстро… Это простое начало для PyTorch :D

Рабочие процессы машинного обучения включают:

1. данные
2. создание моделей
3. оптимизация параметров модели
4. сохранение обученных моделей

1. Данные

два примитива для работы с данными:

• torch.utils.data.DataLoader
• torch.utils.data.Набор данных

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor

Набор данных TorchVision (данные реального мира, такие как CIFAR, COCO › FashionMNIST):

• torchvision.datasets(2 аргумента: transform и target_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(),
)

Мы передаем Dataset в качестве аргумента DataLoader. Это оборачивает итерируемый объект в наш набор данных и поддерживает автоматическую пакетную обработку, выборку, перемешивание и многопроцессорную загрузку данных.

Каждый элемент в итерации загрузчика данных вернет пакет из 64 функций и меток:

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. Создание моделей

Для определения NN мы создаем класс, наследуемый от nn.Module.

• __init__ : слои NN
• вперед: как данные будут проходить через NN

Для ускорения работы в нейронной сети мы переносим ее на GPU или MPS, если они доступны.

# 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. Оптимизация параметров модели

Для обучения модели нам понадобится

• функция потерь
• оптимизатор

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)

В едином тренировочном цикле;

модель делает прогнозы в наборе обучающих данных (подается в нее партиями) и распространяет ошибку прогноза обратно, чтобы настроить параметры модели.

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}]")

производительность модели по сравнению с тестовым набором данных:

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")

Процесс обучения проводится в несколько итераций (эпох). В течение каждой эпохи модель изучает параметры, чтобы делать более точные прогнозы.

Мы печатаем точность и потери модели в каждую эпоху;

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. сохранение обученных моделей

Сохранение моделей

torch.save(model.state_dict(), "model.pth")
print("Saved PyTorch Model State to model.pth")

Загрузка моделей

model = NeuralNetwork()
model.load_state_dict(torch.load("model.pth"))

Теперь эту модель можно использовать для прогнозирования.

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}"')

Вот и все :)

Источник: pytorch.org