Rate this post

Bây giờ, chúng ta sẽ có kiến ​​thức về cách tạo, học và kiểm tra mô hình Perceptron. Việc triển khai mô hình Perceptron trong PyTorch được thực hiện qua một số bước như tạo tập dữ liệu cho một mô hình, thiết lập mô hình, đào tạo mô hình và thử nghiệm mô hình.

Hãy bắt đầu với bước đầu tiên của chúng ta, tức là tạo tập dữ liệu.

Để tạo tập dữ liệu, chúng tôi sẽ nhập trực tiếp tập dữ liệu từ SDK học. SDK-learning cung cấp cho chúng tôi quyền truy cập vào nhiều bộ dữ liệu được chuẩn bị trước. Chúng tôi sẽ có quyền truy cập vào tất cả các tập dữ liệu này bằng cách nhập một tập dữ liệu. Trong trường hợp này, chúng tôi cũng sử dụng thư viện numpy để thao tác và phân tích thêm dữ liệu này, và thư viện phổ biến nhất cuối cùng được sử dụng để vẽ ra tập dữ liệu, tức là matplotlib.pyplot sẽ được nhập.

Trong phần này, trước tiên, chúng tôi sử dụng SDK học cách tạo tập dữ liệu có thể phân tách tuyến tính, sau đó sử dụng đèn pin, chúng tôi tạo Mạng thần kinh dựa trên nhận thức. Sau đó, Neural Network sẽ đào tạo để học cách điều chỉnh tập dữ liệu của chúng ta sao cho nó có thể tách dữ liệu của chúng ta thành hai lớp rời rạc. Điều này sẽ được thực hiện bằng cách sử dụng thuật toán tối ưu hóa (Gradient Descent) mà bạn có thể đã quen thuộc.

Trong phần này, chúng ta sẽ sử dụng phương thức make_blobs (). Chức năng này sẽ tạo ra một cụm các điểm dữ liệu được tập trung ngẫu nhiên vào một điểm trung tâm đã chọn cho cụm.

Hãy xem các bước tạo tập dữ liệu

  1. Bước đầu tiên là nhập tất cả các thư viện được yêu cầu, chẳng hạn như một sklearn, numpy và matplotlib.pyplot.
import torch  
import numpy as np  
import matplotlib.pyplot as plt  
fromsk learn import datasets  
  1. Trong bước thứ hai, chúng tôi xác định không có điểm dữ liệu nào, và sau đó chúng tôi tạo một tập dữ liệu bằng cách sử dụng hàm make_blobs (). Như tôi đã nói với bạn, Hàm này sẽ tạo một cụm điểm dữ liệu.
no_of_points=100  
datasets.make_blobs()  
  1. Trước khi gọi hàm make_blobs (), chúng ta cần tạo một danh sách lồng nhau chỉ định tọa độ của tâm cụm của chúng ta. Vì vậy, chúng tôi phải gọi các trung tâm danh sách và xác định tọa độ trung tâm cho cụm của chúng tôi theo cách sau.

centers=[[-0.5,0.5],[0.5,-0.5]]  

  1. Bây giờ, chúng ta sẽ tạo tập dữ liệu của mình và chúng ta sẽ lưu trữ các điểm dữ liệu của mình vào biến x trong khi lưu trữ các giá trị vào biến y và chúng ta sẽ sử dụng nhãn của mình một chút.

x,y=dataset.make_blobs()  

  1. Tập dữ liệu của chúng tôi chưa được tạo vì chúng tôi không chuyển bất kỳ đối số thích hợp nào của hàm này. Vì vậy, chúng tôi chuyển tất cả các đối số ở đây. Đối số đầu tiên đại diện cho không có điểm mẫu; đối số thứ hai là trạng thái ngẫu nhiên, đối số thứ ba là trung tâm và đối số cuối cùng sẽ cho phép chúng ta tạo tập dữ liệu có thể phân tách tuyến tính đầu tiên, tức là cụm std.

x,y=datasets.make_blobs(n_samples=no_of_points,random_state=123,centers=centers,cluster_std=0.4)  

  1. Trong bước tiếp theo, chúng tôi trực quan hóa dữ liệu của mình bằng cách in các tọa độ x và y như
print(x)  
print(y) 
  1. Bây giờ, sau khi tùy chỉnh tập dữ liệu của chúng ta như mong muốn, chúng ta có thể vẽ và hình dung nó bằng cách sử dụng hàm plt.scatter (). Chúng tôi xác định tọa độ x và y của mỗi tập dữ liệu nhãn. Hãy bắt đầu với tập dữ liệu có nhãn là 0. Nó vẽ sơ đồ vùng trên cùng của dữ liệu của chúng ta. Hàm phân tán cho 0 tập dữ liệu có nhãn được định nghĩa là

plt.scatter (x [y == 0,0], x [y == 0,1])

  1. Bây giờ, chúng tôi vẽ biểu đồ các điểm trong vùng dưới của dữ liệu của chúng tôi. Hàm phân tán () cho một tập dữ liệu có nhãn được định nghĩa là

plt.scatter (x [y == 1,0], x [y == 1,1])

  1. Hãy nhớ để đào tạo một mô hình x và tọa độ y cả hai phải là mảng numpy. Vì vậy, những gì chúng tôi làm, chúng tôi sẽ thay đổi các giá trị x và y của chúng tôi thành tensor như
xdata = torch.Tensor (x)
ydata = torch.Tensor (y)

Trả lời

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *

Contact Me on Zalo
Call now