🤑

PyTorchの公式入門を読む

2022/11/24に公開約3,600字

PyTorchの公式チュートリアルを読みました。
データさえあれば、PyTorchを使って、簡単に機械学習ができそうです。
以下、読みながら書いたメモです。

Quick start

Data

torch.utils.data.DataLoaderを使えばデータをロード(前処理)できる。
TorchText, TorchVision, TorchAudioなどが学習用のデータセットを持っていて、ダウンロードしてくれる。

Model

torch.nnを使えばモデルを作れる。

import torch.nn as nn

class NeuralNetwork(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(NeuralNetwork, self).__init__()
        self.l1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.l2 = nn.Linear(hidden_size, num_classes)

    def forward(self, x):
        out = self.l1(x)
        out = self.relu(out)
        out = self.l2(out)
        return out

Loss and optimizer

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 * len(X)
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")
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")

Tensors

PyTorchではTensorを使ってデータを表現する。Tensorは多次元配列で、PyTorchのTensorはNumPyのndarrayと似ていますが、GPU上で動作させることができるという点が異なる。Tensorは、PyTorchのTensorクラスのインスタンス。

data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)

np_array = np.array(data)
x_np = torch.from_numpy(np_array)

oneszerosなどのメソッドを使って、特定の値で初期化されたTensorを作ることもできる。

shape = (2,3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)

操作方法はNumPyとほぼ同じである。

tensor @ tensor.T # 積
tensor * tensor # 内積

また、NumPyに変換して操作することもできる。

tensor.numpy() # Bridge to NumPy
torch.from_numpy(np_array) # Bridge to PyTorch

属性

  • shape: Tensorの形状を表すタプル
  • dtype: Tensorのデータ型
  • device: Tensorがどのデバイスにあるかを表す文字列

Datasets and dataloaders

Build in datasets

PyTorchの各モジュールにビルドインされたデータセットを利用することができる。

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt


training_data = datasets.FashionMNIST(
    root="data", # データを保存するディレクトリ
    train=True, # 訓練データ or テストデータ
    download=True, # データが存在しない場合にダウンロードするかどうか
    transform=ToTensor() # データをTensorに変換する
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

Discussion

ログインするとコメントできます