Aanmaak van een Eenvoudig Neuraal Netwerk
Het doel is om een eenvoudig PyTorch-neuraal netwerk te bouwen met behulp van de digits dataset, een klassieke dataset binnen machine learning. De taak is het voorspellen van het cijfer (doelvariabele) op basis van de afbeelding van het handschrift, weergegeven als een reeks pixelwaarden (kenmerken).
Overzicht van de dataset
De digits dataset bevat afbeeldingen van handgeschreven cijfers die zijn weergegeven als numerieke pixelwaarden. Elke instantie bestaat uit 64 kenmerken, overeenkomend met de pixelintensiteiten van een 8×8 grijswaardenafbeelding. De doelvariabele ('target' kolom) geeft de cijferklasse (0-9) aan, oftewel welk getal de afbeelding voorstelt.
De eerste stap is het inlezen van het CSV-bestand en het extraheren van de kenmerken (X) en de doelvariabele (y), die de uitkomst vertegenwoordigt die voorspeld moet worden:
import pandas as pd
digits_df = pd.read_csv('https://content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_3/digits.csv')
# Extract features and target
X = digits_df.drop(columns=["target"]).values
y = digits_df["target"].values
Definitie van de modelklasse
Allereerst dienen alle benodigde PyTorch-modules (nn, F) te worden geïmporteerd. De nn-module wordt gebruikt voor het definiëren van modellagen en architecturen, terwijl de F-module activatiefuncties, verliesfuncties en andere hulpmiddelen bevat die vaak in een functionele stijl worden toegepast.
import torch.nn as nn
import torch.nn.functional as F
Vervolgens kan de modelklasse worden gedefinieerd:
class DigitsClassifier(nn.Module):
...
Wanneer een modelklasse in PyTorch wordt gedefinieerd, moet deze erven van nn.Module omdat dit essentiële functionaliteiten biedt zoals automatisch parameterbeheer, het definiëren van de forward()-methode en het gebruik van ingebouwde hulpmiddelen zoals het opslaan/laden van het model en toegang tot parameters. Dit vereenvoudigt het proces van het bouwen, trainen en implementeren van neurale netwerken door veel taken op de achtergrond af te handelen.
Modelarchitectuur
Aangezien de taak een eenvoudige multiclass-classificatietaak betreft, volstaat een multilayer perceptron (MLP) met 2 verborgen lagen.
class DigitsClassifier(nn.Module):
def __init__(self, input_features, hidden1, hidden2, output_classes):
super().__init__()
# Define the layers
self.fc1 = nn.Linear(input_features, hidden1) # Input to first hidden layer
self.fc2 = nn.Linear(hidden1, hidden2) # First hidden to second hidden layer
self.out = nn.Linear(hidden2, output_classes) # Second hidden to output layer
De aanroep super().__init__() initialiseert de bovenliggende klasse nn.Module, waardoor essentiële functionaliteit zoals parametertracking, submoduleregistratie en model opslaan/laden mogelijk wordt, wat cruciaal is voor het bouwen en trainen van het model.
Zoals je al weet, bestaat een MLP uit volledig verbonden lagen (ook wel dense lagen genoemd), waarbij verborgen lagen de invoerkenmerken verwerken en de uitvoerlaag de uiteindelijke klassevoorspellingen levert. Deze volledig verbonden lagen worden in PyTorch weergegeven als nn.Linear-lagen.
Voorwaartse Propagatie
Deze .forward()-methode definieert de voorwaartse propagatie van data door het model.
def forward(self, x):
# Pass data through layers with activation functions
a1 = F.relu(self.fc1(x)) # First hidden layer with ReLU
a2 = F.relu(self.fc2(a1)) # Second hidden layer with ReLU
output = self.out(a2) # Output layer (no activation for raw scores)
return output
De invoertensor x wordt eerst door de eerste volledig verbonden laag (fc1) gestuurd, gevolgd door de ReLU-activatiefunctie om niet-lineariteit te introduceren. Vervolgens gaat het door de tweede volledig verbonden laag (fc2), opnieuw gevolgd door ReLU.
Ten slotte wordt de getransformeerde data door de uitvoerlaag (out) gestuurd, die de ruwe scores (logits) voor de uitvoerklassen produceert.
Het Model Aanmaken
Aangezien de modelklasse nu is gedefinieerd, kunnen we nu modelparameters definiëren en het model instantiëren.
Net als het aantal verborgen lagen wordt het aantal neuronen in elke verborgen laag in ons voorbeeld enigszins willekeurig gekozen: 32 en 16 voor respectievelijk de eerste en tweede verborgen laag.
Het resulterende model is dus als volgt gestructureerd:
- Invoerlaag: komt overeen met het aantal kenmerken in de dataset (
64voor deze dataset); - Verborgen lagen: willekeurige aantallen neuronen (
32en16); - Uitvoerlaag: komt overeen met het aantal klassen (
10cijfers).
Volledige Implementatie
12345678910111213141516171819202122232425262728293031323334import torch.nn as nn import torch.nn.functional as F import pandas as pd digits_df = pd.read_csv('https://content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_3/digits.csv') # Extract features and target X = digits_df.drop(columns=["target"]).values y = digits_df["target"].values # Define the model class class DigitsClassifier(nn.Module): def __init__(self, input_features, hidden1, hidden2, output_classes): super().__init__() # Define the layers self.fc1 = nn.Linear(input_features, hidden1) # Input to first hidden layer self.fc2 = nn.Linear(hidden1, hidden2) # First hidden to second hidden layer self.out = nn.Linear(hidden2, output_classes) # Second hidden to output layer def forward(self, x): # Pass data through layers with activation functions a1 = F.relu(self.fc1(x)) # First hidden layer with ReLU a2 = F.relu(self.fc2(a1)) # Second hidden layer with ReLU output = self.out(a2) # Output layer (no activation for raw scores) return output # Define model parameters input_features = X.shape[1] # Number of features (pixels) hidden1 = 32 # Number of neurons in first hidden layer hidden2 = 16 # Number of neurons in second hidden layer output_classes = len(digits_df["target"].unique()) # Number of unique digits (0-9) # Create an instance of the model model = DigitsClassifier(input_features, hidden1, hidden2, output_classes) # Display the model structure print(model)
Bedankt voor je feedback!
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Geweldig!
Completion tarief verbeterd naar 5Aanmaak van een Eenvoudig Neuraal Netwerk
Veeg om het menu te tonen
Het doel is om een eenvoudig PyTorch-neuraal netwerk te bouwen met behulp van de digits dataset, een klassieke dataset binnen machine learning. De taak is het voorspellen van het cijfer (doelvariabele) op basis van de afbeelding van het handschrift, weergegeven als een reeks pixelwaarden (kenmerken).
Overzicht van de dataset
De digits dataset bevat afbeeldingen van handgeschreven cijfers die zijn weergegeven als numerieke pixelwaarden. Elke instantie bestaat uit 64 kenmerken, overeenkomend met de pixelintensiteiten van een 8×8 grijswaardenafbeelding. De doelvariabele ('target' kolom) geeft de cijferklasse (0-9) aan, oftewel welk getal de afbeelding voorstelt.
De eerste stap is het inlezen van het CSV-bestand en het extraheren van de kenmerken (X) en de doelvariabele (y), die de uitkomst vertegenwoordigt die voorspeld moet worden:
import pandas as pd
digits_df = pd.read_csv('https://content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_3/digits.csv')
# Extract features and target
X = digits_df.drop(columns=["target"]).values
y = digits_df["target"].values
Definitie van de modelklasse
Allereerst dienen alle benodigde PyTorch-modules (nn, F) te worden geïmporteerd. De nn-module wordt gebruikt voor het definiëren van modellagen en architecturen, terwijl de F-module activatiefuncties, verliesfuncties en andere hulpmiddelen bevat die vaak in een functionele stijl worden toegepast.
import torch.nn as nn
import torch.nn.functional as F
Vervolgens kan de modelklasse worden gedefinieerd:
class DigitsClassifier(nn.Module):
...
Wanneer een modelklasse in PyTorch wordt gedefinieerd, moet deze erven van nn.Module omdat dit essentiële functionaliteiten biedt zoals automatisch parameterbeheer, het definiëren van de forward()-methode en het gebruik van ingebouwde hulpmiddelen zoals het opslaan/laden van het model en toegang tot parameters. Dit vereenvoudigt het proces van het bouwen, trainen en implementeren van neurale netwerken door veel taken op de achtergrond af te handelen.
Modelarchitectuur
Aangezien de taak een eenvoudige multiclass-classificatietaak betreft, volstaat een multilayer perceptron (MLP) met 2 verborgen lagen.
class DigitsClassifier(nn.Module):
def __init__(self, input_features, hidden1, hidden2, output_classes):
super().__init__()
# Define the layers
self.fc1 = nn.Linear(input_features, hidden1) # Input to first hidden layer
self.fc2 = nn.Linear(hidden1, hidden2) # First hidden to second hidden layer
self.out = nn.Linear(hidden2, output_classes) # Second hidden to output layer
De aanroep super().__init__() initialiseert de bovenliggende klasse nn.Module, waardoor essentiële functionaliteit zoals parametertracking, submoduleregistratie en model opslaan/laden mogelijk wordt, wat cruciaal is voor het bouwen en trainen van het model.
Zoals je al weet, bestaat een MLP uit volledig verbonden lagen (ook wel dense lagen genoemd), waarbij verborgen lagen de invoerkenmerken verwerken en de uitvoerlaag de uiteindelijke klassevoorspellingen levert. Deze volledig verbonden lagen worden in PyTorch weergegeven als nn.Linear-lagen.
Voorwaartse Propagatie
Deze .forward()-methode definieert de voorwaartse propagatie van data door het model.
def forward(self, x):
# Pass data through layers with activation functions
a1 = F.relu(self.fc1(x)) # First hidden layer with ReLU
a2 = F.relu(self.fc2(a1)) # Second hidden layer with ReLU
output = self.out(a2) # Output layer (no activation for raw scores)
return output
De invoertensor x wordt eerst door de eerste volledig verbonden laag (fc1) gestuurd, gevolgd door de ReLU-activatiefunctie om niet-lineariteit te introduceren. Vervolgens gaat het door de tweede volledig verbonden laag (fc2), opnieuw gevolgd door ReLU.
Ten slotte wordt de getransformeerde data door de uitvoerlaag (out) gestuurd, die de ruwe scores (logits) voor de uitvoerklassen produceert.
Het Model Aanmaken
Aangezien de modelklasse nu is gedefinieerd, kunnen we nu modelparameters definiëren en het model instantiëren.
Net als het aantal verborgen lagen wordt het aantal neuronen in elke verborgen laag in ons voorbeeld enigszins willekeurig gekozen: 32 en 16 voor respectievelijk de eerste en tweede verborgen laag.
Het resulterende model is dus als volgt gestructureerd:
- Invoerlaag: komt overeen met het aantal kenmerken in de dataset (
64voor deze dataset); - Verborgen lagen: willekeurige aantallen neuronen (
32en16); - Uitvoerlaag: komt overeen met het aantal klassen (
10cijfers).
Volledige Implementatie
12345678910111213141516171819202122232425262728293031323334import torch.nn as nn import torch.nn.functional as F import pandas as pd digits_df = pd.read_csv('https://content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_3/digits.csv') # Extract features and target X = digits_df.drop(columns=["target"]).values y = digits_df["target"].values # Define the model class class DigitsClassifier(nn.Module): def __init__(self, input_features, hidden1, hidden2, output_classes): super().__init__() # Define the layers self.fc1 = nn.Linear(input_features, hidden1) # Input to first hidden layer self.fc2 = nn.Linear(hidden1, hidden2) # First hidden to second hidden layer self.out = nn.Linear(hidden2, output_classes) # Second hidden to output layer def forward(self, x): # Pass data through layers with activation functions a1 = F.relu(self.fc1(x)) # First hidden layer with ReLU a2 = F.relu(self.fc2(a1)) # Second hidden layer with ReLU output = self.out(a2) # Output layer (no activation for raw scores) return output # Define model parameters input_features = X.shape[1] # Number of features (pixels) hidden1 = 32 # Number of neurons in first hidden layer hidden2 = 16 # Number of neurons in second hidden layer output_classes = len(digits_df["target"].unique()) # Number of unique digits (0-9) # Create an instance of the model model = DigitsClassifier(input_features, hidden1, hidden2, output_classes) # Display the model structure print(model)
Bedankt voor je feedback!
