Tensor hazırlama

Eğitim verisini tensor'a dönüştürürsün.

Proje: sıfırdan doğrusal regresyon

Bu projede PyTorch'un yapı taşlarını kullanarak doğrusal regresyonu elle kuracağız: tensörleri hazırlayacak, modeli tanımlayacak, kaybı hesaplayacak ve parametreleri gradyan inişiyle öğreneceğiz. Veri y = 3x + 2 ilişkisinden gelir; modelin w ≈ 3, b ≈ 2 bulmasını bekleriz.

x = torch.arange(10, dtype=torch.float32).unsqueeze(1)   # (10, 1)
y = 3 * x + 2                                              # (10, 1)

Sonraki gruplarda aynı işi nn.Module, nn.MSELoss ve optim.SGD ile kısaltacağız; önce mekanizmayı görmek önemli.

Sütun biçimi

Modeller girdiyi (örnek, özellik) şeklinde bekler. Tek özellikli veride bu, (10,) vektörünün (10, 1) sütununa çevrilmesi demektir. Hedef de aynı şekilde tutulursa kayıp hesabında istenmeyen yayınlama olmaz:

print(x.shape, y.shape)   # torch.Size([10, 1]) torch.Size([10, 1])
# dikkat: (10, 1) - (10,) -> (10, 10) yayınlanır, kayıp yanlış çıkar

Bu, PyTorch'ta en sık yapılan sessiz hatalardan biridir: kod çalışır ama sonuç yanlıştır.

Uygulama Tensörleri hazırla

x ve y'nin şekillerini aynı satırda yazdır. Ardından (y - x.squeeze(1)).shape ile yanlış yayınlamanın ürettiği şekli, (y - x).shape ile doğru şekli alt alta yazdır.

Örnek çözümü göster

import torch

x = torch.arange(10, dtype=torch.float32).unsqueeze(1)
y = 3 * x + 2

print(x.shape, y.shape)
print((y - x.squeeze(1)).shape)
print((y - x).shape)

Kendini test et

Neden <code>dtype=torch.float32</code> verilir?
- GPU için
- arange tam sayı üretir; gradyan için ondalık tür gerekir
- Daha hızlı olduğu için
- Zorunlu değildir
Cevabı göster

arange tam sayı üretir; gradyan için ondalık tür gerekir — Tam sayı tensörleriyle çarpılan parametrelerin türleri uyuşmaz ve türev alınamaz.

Vektörü sütuna çevir.

x = torch.arange(10, dtype=torch.float32).____(1)

Cevabı göster

x = torch.arange(10, dtype=torch.float32).unsqueeze(1)

Şekilleri eşleştir.

(10,)

Vektör
(10, 1)

Sütun
(10, 1) - (10,)

(10, 10) hata
(10, 1) - (10, 1)

Doğru fark

Sıradaki ders: Model tanımı

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler