В захватывающем мире глубокого обучения PyTorch стал одной из самых популярных платформ для обучения нейронных сетей. Интуитивный дизайн и динамичный характер делают его фаворитом среди исследователей и практиков. В этой статье блога мы углубимся в обучение PyTorch и предоставим вам множество методов и примеров исходного кода, которые помогут вам стать ниндзя PyTorch.

1. Настройка PyTorch:
   Прежде чем мы приступим к обучению PyTorch, давайте убедимся, что PyTorch у нас установлен. Откройте свою любимую среду Python и запустите следующий фрагмент кода:

import torch
# Check if PyTorch is installed
print(torch.__version__)

2. Создание нейронной сети.
   Чтобы обучить нейронную сеть в PyTorch, нам сначала необходимо определить ее архитектуру. Давайте создадим простую нейронную сеть прямого распространения, используя модуль torch.nn:

import torch
import torch.nn as nn
class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.fc1 = nn.Linear(784, 256)
        self.fc2 = nn.Linear(256, 10)
    def forward(self, x):
        x = torch.flatten(x, 1)
        x = self.fc1(x)
        x = torch.relu(x)
        x = self.fc2(x)
        return x
# Instantiate the neural network
net = NeuralNetwork()

3. Подготовка данных.
   Для обучения нейронной сети требуются данные. Предположим, у нас есть набор данных рукописных цифр, например набор данных MNIST. Мы можем использовать модуль torchvisionдля загрузки и предварительной обработки данных:

import torch
import torchvision
import torchvision.transforms as transforms
# Transform the data
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5,), (0.5,))])
# Load the training dataset
trainset = torchvision.datasets.MNIST(root='./data', train=True,
                                        download=True, transform=transform)
# Create a data loader
trainloader = torch.utils.data.DataLoader(trainset, batch_size=32,
                                          shuffle=True, num_workers=2)

4. Обучение нейронной сети.
   Теперь, когда у нас есть готовая сеть и данные, пришло время обучить нейронную сеть. Мы будем использовать популярный оптимизатор стохастического градиентного спуска (SGD) и функцию перекрестной энтропийной потери:

import torch
import torch.optim as optim
import torch.nn as nn
# Define the loss function
criterion = nn.CrossEntropyLoss()
# Define the optimizer
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
# Training loop
for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        # Forward pass
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        # Backward pass and optimization
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 100 == 99:    # Print every 100 mini-batches
            print(f'[{epoch + 1}, {i + 1}] loss: {running_loss / 100}')
            running_loss = 0.0
print("Training completed!")

5. Оценка модели.
   После обучения важно оценить эффективность нашей модели. Для расчета точности мы можем использовать отдельный набор тестовых данных:

import torch
# Load the test dataset
testset = torchvision.datasets.MNIST(root='./data', train=False,
                                       download=True, transform=transform)
# Create a data loader for testing
testloader = torch.utils.data.DataLoader(testset, batch_size=32,
                                         shuffle=False, num_workers=2)
# Evaluation loop
correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()
print(f"Accuracy: {100 * correct / total}%")

В этой статье блога мы рассмотрели основы обучения PyTorch: от настройки платформы до обучения и оценки нейронной сети. Следуя приведенным примерам и экспериментируя с собственным кодом, вы будете на пути к освоению PyTorch. Так что возьмите свой любимый набор данных, запустите среду Python и начните обучать нейронные сети с помощью PyTorch!