PyTorch yordamida oddiy neyron tarmog'ini yaratish qanday?

4. 
   PyTorch yordamida oddiy neyron tarmog'ini yaratish qanday?
   

PyTorch yordamida oddiy neyron tarmog'ini yaratish bir necha asosiy qadamlarni o'z ichiga oladi. Mana umumiy sxema:

PyTorch-ni o'rnating: Mashinangizga mashhur chuqur o'rganish kutubxonasi PyTorch-ni o'rnatishdan boshlang. Operatsion tizimingizga xos o'rnatish ko'rsatmalari uchun PyTorch veb-saytiga (https://pytorch.org/) tashrif buyurishingiz mumkin.

Kerakli kutubxonalarni import qiling: Python skriptingizda kerakli kutubxonalarni, jumladan PyTorch va maʼlumotlarni manipulyatsiya qilish va vizualizatsiya qilish uchun kerak boʻladigan qoʻshimcha modullarni import qiling.

piton
Kodni nusxalash

import mash'alasi
torch.nn ni nn sifatida import qiling
torch.optim ni optimal sifatida import qiling
Ma'lumotlarni tayyorlang: ma'lumotlar to'plamini yuklang va uni treningga tayyorlang. Bu ma'lumotlarni oldindan qayta ishlash, o'quv va test to'plamlariga bo'lish va ma'lumotlar yuklagichlarini yaratish kabi vazifalarni o'z ichiga olishi mumkin.

Neyron tarmoq arxitekturasini aniqlang: qatlamlarni, faollashtirish funktsiyalarini va ulanishlarni aniqlash orqali neyron tarmog'ingiz strukturasini loyihalashtiring. PyTorch-da siz odatda nn.Module-dan meros bo'ladigan maxsus sinfni aniqlaysiz va tarmoq arxitekturasini __init__ va oldinga yo'naltirish usullarida amalga oshirasiz.

sinf SimpleNet(nn.Module):

def __init__ (o'z-o'zidan):
super(SimpleNet, self).__init__()
self.fc1 = nn.Linear(kiritish_oʻlchami, yashirin_oʻlcham)
self.fc2 = nn.Linear(yashirin_oʻlcham, chiqish_oʻlchami)

def oldinga (self, x):

x = self.fc1(x)
x = torch.relu(x)
x = self.fc2(x)
x qaytaring
Modelni yarating: neyron tarmoq modelingizning namunasini yarating.
piton
Kodni nusxalash
model = SimpleNet()
Yo'qotish funktsiyasini aniqlang: Regressiya uchun o'rtacha kvadrat xato (MSE) yoki tasniflash uchun o'zaro entropiya yo'qolishi kabi vazifangizga mos keladigan mos yo'qotish funktsiyasini tanlang.
piton
Kodni nusxalash
mezon = nn.MSELoss()
Optimizatorni aniqlang: Trening davomida model parametrlarini yangilash uchun optimallashtiruvchini tanlang. Umumiy tanlovlar orasida stoxastik gradient kelib chiqishi (SGD) va Adam kiradi.
optimallashtiruvchi = optim.SGD(model.parameters(), lr=oʻrganish_stavkasi)
Modelni o'rgating: ma'lumotlar to'plamini takrorlang va modelni optimallashtirish uchun oldinga va orqaga o'tishlarni bajaring. Yo'qotishni hisoblang, og'irliklarni yangilang va mashg'ulot jarayonini kuzatib boring.
diapazondagi davr uchun (davrlar soni):
kirishlar uchun train_loader dagi teglar:
optimizer.zero_grad()
chiqishlar = model (kirishlar)
yo'qotish = mezon (chiqishlar, teglar)
loss.backward()
optimizer.step()
Modelni baholang: O'qitilgan modelingizning ishlashini alohida test ma'lumotlar to'plamida sinab ko'ring. Uning samaradorligini baholash uchun aniqlik yoki o'rtacha kvadrat xatosi kabi tegishli ko'rsatkichlarni hisoblang.

Modelni bashorat qilish uchun foydalaning: Modelingiz o'qitilgandan so'ng, uni tarmoqning oldinga yo'naltirish usuli orqali o'tkazib, yangi, ko'rilmagan ma'lumotlar bo'yicha bashorat qilish uchun foydalanishingiz mumkin.

Bu PyTorch yordamida asosiy neyron tarmog'ini yaratishning soddalashtirilgan ko'rinishi. Muayyan vazifangiz va talablaringizga qarab, ushbu bosqichlarni mos ravishda sozlashingiz va kengaytirishingiz kerak bo'lishi mumkin. PyTorch neyron tarmoqlarni qurish va o'qitish uchun moslashuvchan va kuchli asosni taklif qiladi, bu sizga turli xil arxitektura va texnikalar bilan tajriba o'tkazish imkonini beradi.