• উদাহরণ সহ Pytotch পাইটর্চ শিখি

    উদাহরণ সহ পাইটর্চ শিখছি

    এই টিউটোরিয়ালটি স্ব-অন্তর্ভুক্ত উদাহরণগুলির মাধ্যমে পাইটর্চের মৌলিক ধারণাগুলি উপস্থাপন করেছে 
    এর মূল অংশে পাইটর্চ দুটি প্রধান বৈশিষ্ট্য সরবরাহ করে:
    • একটি এন-ডাইমেনশনাল টেনসর, নাম্পির মতো তবে GPU তে চলতে পারে।
    • নিউরাল নেটওয়ার্কগুলি তৈরি এবং প্রশিক্ষণের জন্য স্বয়ংক্রিয় পার্থক্য। 
    আমরা আমাদের চলমান উদাহরণ হিসাবে একটি সম্পূর্ণ-সংযুক্ত আরএলইউ নেটওয়ার্ক ব্যবহার করব। নেটওয়ার্কটির একটি একক আড়াল স্তর থাকবে এবং নেটওয়ার্ক আউটপুট এবং প্রকৃত আউটপুটের মধ্যে ইউক্লিডিয়ান দূরত্বকে হ্রাস করে এলোমেলো ডেটা ফিট করার জন্য গ্রেডিয়েন্ট বংশোদ্ভূত প্রশিক্ষণ দেওয়া হবে।
    বিঃদ্রঃ
    আপনি এই পৃষ্ঠার শেষে পৃথক উদাহরণগুলি ব্রাউজ করতে পারেন 

    Tensors

     Warm-up: numpy / উষ্ণতা: অদ্ভুত

    পাইটর্চ প্রবর্তন করার আগে, আমরা প্রথমে নম্পটি ব্যবহার করে নেটওয়ার্কটি প্রয়োগ করব।
    নম্পি একটি এন-ডাইমেনশনাল অ্যারে অবজেক্ট সরবরাহ করে এবং এই অ্যারেগুলি পরিচালনা করার জন্য অনেকগুলি ক্রিয়া। নম্পি বৈজ্ঞানিক কম্পিউটিংয়ের একটি সাধারণ কাঠামো; এটি গণনা গ্রাফ, বা গভীর শিক্ষণ, বা গ্রেডিয়েন্টস সম্পর্কে কিছুই জানে না। তবে আমরা সহজেই নম্পি অপারেশনগুলি ব্যবহার করে নেটওয়ার্কের মাধ্যমে এগিয়ে এবং পিছনের পাসগুলি ম্যানুয়ালি প্রয়োগ করে এলোমেলো ডেটাতে দ্বি-স্তরের নেটওয়ার্কে ফিট করার জন্য নিম্পিকে সহজেই ব্যবহার করতে পারি:
    # -*- coding: utf-8 -*-
    import numpy as np
    
    # N is batch size; D_in is input dimension;
    # H is hidden dimension; D_out is output dimension.
    N, D_in, H, D_out = 64, 1000, 100, 10
    
    # Create random input and output data
    x = np.random.randn(N, D_in)
    y = np.random.randn(N, D_out)
    
    # Randomly initialize weights
    w1 = np.random.randn(D_in, H)
    w2 = np.random.randn(H, D_out)
    
    learning_rate = 1e-6
    for t in range(500):
        # Forward pass: compute predicted y
        h = x.dot(w1)
        h_relu = np.maximum(h, 0)
        y_pred = h_relu.dot(w2)
    
        # Compute and print loss
        loss = np.square(y_pred - y).sum()
        print(t, loss)
    
        # Backprop to compute gradients of w1 and w2 with respect to loss
        grad_y_pred = 2.0 * (y_pred - y)
        grad_w2 = h_relu.T.dot(grad_y_pred)
        grad_h_relu = grad_y_pred.dot(w2.T)
        grad_h = grad_h_relu.copy()
        grad_h[h < 0] = 0
        grad_w1 = x.T.dot(grad_h)
    
        # Update weights
        w1 -= learning_rate * grad_w1
        w2 -= learning_rate * grad_w2 

     PyTorch: Tensors / পাইটর্চ: টেনার্স

    নম্পি একটি দুর্দান্ত কাঠামো, তবে এটি জিপিইউগুলি তার সংখ্যাসূচক গণনা ত্বরান্বিত করতে ব্যবহার করতে পারে না। আধুনিক গভীর স্নায়ুবহুল নেটওয়ার্কগুলির জন্য, জিপিইউগুলি প্রায়শই 50x বা তার বেশি গতিবেগ সরবরাহ করে, তাই দুর্ভাগ্যক্রমে আধুনিক অধ্যয়নের জন্য অদ্ভুত যথেষ্ট হবে না।
    : এখানে আমরা সবচেয়ে মৌলিক PyTorch ধারণা পরিচয় করিয়ে টেন্সর । একটি পাইটর্চ টেনসর একটি নম্পি অ্যারের মত ধারণাগতভাবে অভিন্ন: একটি টেনসর একটি এন-ডাইমেনশনাল অ্যারে, এবং পাইটর্চ এই টেনসরগুলিতে অপারেটিংয়ের জন্য অনেকগুলি ফাংশন সরবরাহ করে। পর্দার আড়ালে, টেনারগুলি একটি গণনামূলক গ্রাফ এবং গ্রেডিয়েন্টগুলি ট্র্যাক করতে পারে তবে তারা বৈজ্ঞানিক কম্পিউটিংয়ের জেনেরিক সরঞ্জাম হিসাবেও কার্যকর।
    অদ্ভুতেরও বিপরীতে, পাইটর্চ টেনারগুলি জিপিইউগুলি তাদের সংখ্যার গণনা ত্বরান্বিত করতে ব্যবহার করতে পারে। জিপিইউতে পাইটর্চ টেনসর চালানোর জন্য আপনাকে এটিকে নতুন ডেটাটাইপে কাস্ট করতে হবে।
    এখানে আমরা পাইটর্চ টেনেসরগুলি এলোমেলো ডেটাতে একটি দ্বি-স্তরের নেটওয়ার্কে ফিট করতে ব্যবহার করি। উপরের অদ্ভুত উদাহরণের মতো আমাদের ম্যানুয়ালি নেটওয়ার্কের মাধ্যমে এগিয়ে এবং পিছনের পাসগুলি প্রয়োগ করতে হবে:
    # -*- coding: utf-8 -*-
    
    import torch
    
    
    dtype = torch.float
    device = torch.device("cpu")
    # device = torch.device("cuda:0") # Uncomment this to run on GPU
    
    # N is batch size; D_in is input dimension;
    # H is hidden dimension; D_out is output dimension.
    N, D_in, H, D_out = 64, 1000, 100, 10
    
    # Create random input and output data
    x = torch.randn(N, D_in, device=device, dtype=dtype)
    y = torch.randn(N, D_out, device=device, dtype=dtype)
    
    # Randomly initialize weights
    w1 = torch.randn(D_in, H, device=device, dtype=dtype)
    w2 = torch.randn(H, D_out, device=device, dtype=dtype)
    
    learning_rate = 1e-6
    for t in range(500):
        # Forward pass: compute predicted y
        h = x.mm(w1)
        h_relu = h.clamp(min=0)
        y_pred = h_relu.mm(w2)
    
        # Compute and print loss
        loss = (y_pred - y).pow(2).sum().item()
        if t % 100 == 99:
            print(t, loss)
    
        # Backprop to compute gradients of w1 and w2 with respect to loss
        grad_y_pred = 2.0 * (y_pred - y)
        grad_w2 = h_relu.t().mm(grad_y_pred)
        grad_h_relu = grad_y_pred.mm(w2.t())
        grad_h = grad_h_relu.clone()
        grad_h[h < 0] = 0
        grad_w1 = x.t().mm(grad_h)
    
        # Update weights using gradient descent
        w1 -= learning_rate * grad_w1
        w2 -= learning_rate * grad_w2 

    Autograd

    PyTorch: Tensors and autogradপাইটর্চ: টেনেসর এবং অটোগ্রাড

    উপরের উদাহরণগুলিতে, আমাদের মস্তিষ্কের আমাদের নিউরাল নেটওয়ার্কের সামনের এবং পিছনের উভয় পাস ম্যানুয়ালি প্রয়োগ করতে হয়েছিল। পিছনে পাসটিকে ম্যানুয়ালি বাস্তবায়ন করা একটি ছোট দ্বি-স্তরের নেটওয়ার্কের জন্য খুব বড় বিষয় নয়, তবে বৃহত জটিল নেটওয়ার্কগুলির জন্য দ্রুত খুব লোমশ হয়ে উঠতে পারে।
    ধন্যবাদ, আমরা স্নায়বিক নেটওয়ার্কগুলিতে পিছিয়ে পাসগুলির গণনা স্বয়ংক্রিয় করতে স্বয়ংক্রিয় পার্থক্য ব্যবহার করতে পারি । Autograd PyTorch প্যাকেজ ঠিক এই কার্যকারিতা প্রদান করে। অটোগ্রাড ব্যবহার করার সময়, আপনার নেটওয়ার্কের ফরোয়ার্ড পাস একটি গণনামূলক গ্রাফ সংজ্ঞায়িত করবে গ্রাফের নোডগুলি টেনসার হবে এবং প্রান্তগুলি এমন ফাংশনগুলি হবে যা ইনপুট টেনেসরগুলি থেকে আউটপুট টেনসর উত্পাদন করে। এই গ্রাফের মাধ্যমে ব্যাকপ্রোপ্যাগেটিংয়ের পরে আপনি সহজেই গ্রেডিয়েন্টগুলি গণনা করতে পারবেন।
    এটি জটিল মনে হচ্ছে, অনুশীলনে এটি ব্যবহার করা সহজ। প্রতিটি টেনসর একটি গণনামূলক গ্রাফের নোডকে উপস্থাপন করে। যদি xএকটি টেন্সর রয়েছে x.requires_grad=Trueতারপর x.gradঅন্য টেন্সর এর গ্রেডিয়েন্ট অধিষ্ঠিত হয় xকিছু স্কালে মান সম্মান সঙ্গে।
    এখানে আমরা আমাদের দ্বি-স্তর নেটওয়ার্কটি প্রয়োগ করতে পাইটর্চ টেনেসর এবং অটোগ্রাড ব্যবহার করি; এখন আর আমাদের আর নেটওয়ার্কের মাধ্যমে পিছিয়ে পাস ম্যানুয়ালি প্রয়োগ করার প্রয়োজন নেই:
    # -*- coding: utf-8 -*-
    import torch
    
    dtype = torch.float
    device = torch.device("cpu")
    # device = torch.device("cuda:0") # Uncomment this to run on GPU
    
    # N is batch size; D_in is input dimension;
    # H is hidden dimension; D_out is output dimension.
    N, D_in, H, D_out = 64, 1000, 100, 10
    
    # Create random Tensors to hold input and outputs.
    # Setting requires_grad=False indicates that we do not need to compute gradients
    # with respect to these Tensors during the backward pass.
    x = torch.randn(N, D_in, device=device, dtype=dtype)
    y = torch.randn(N, D_out, device=device, dtype=dtype)
    
    # Create random Tensors for weights.
    # Setting requires_grad=True indicates that we want to compute gradients with
    # respect to these Tensors during the backward pass.
    w1 = torch.randn(D_in, H, device=device, dtype=dtype, requires_grad=True)
    w2 = torch.randn(H, D_out, device=device, dtype=dtype, requires_grad=True)
    
    learning_rate = 1e-6
    for t in range(500):
        # Forward pass: compute predicted y using operations on Tensors; these
        # are exactly the same operations we used to compute the forward pass using
        # Tensors, but we do not need to keep references to intermediate values since
        # we are not implementing the backward pass by hand.
        y_pred = x.mm(w1).clamp(min=0).mm(w2)
    
        # Compute and print loss using operations on Tensors.
        # Now loss is a Tensor of shape (1,)
        # loss.item() gets the scalar value held in the loss.
        loss = (y_pred - y).pow(2).sum()
        if t % 100 == 99:
            print(t, loss.item())
    
        # Use autograd to compute the backward pass. This call will compute the
        # gradient of loss with respect to all Tensors with requires_grad=True.
        # After this call w1.grad and w2.grad will be Tensors holding the gradient
        # of the loss with respect to w1 and w2 respectively.
        loss.backward()
    
        # Manually update weights using gradient descent. Wrap in torch.no_grad()
        # because weights have requires_grad=True, but we don't need to track this
        # in autograd.
        # An alternative way is to operate on weight.data and weight.grad.data.
        # Recall that tensor.data gives a tensor that shares the storage with
        # tensor, but doesn't track history.
        # You can also use torch.optim.SGD to achieve this.
        with torch.no_grad():
            w1 -= learning_rate * w1.grad
            w2 -= learning_rate * w2.grad
    
            # Manually zero the gradients after updating weights
            w1.grad.zero_()
            w2.grad.zero_() 

    PyTorch: Defining new autograd functions / পাইটর্চ: নতুন অটোগ্রাড ফাংশন সংজ্ঞায়িত করা হচ্ছে

    ফণা অধীনে, প্রতিটি আদিম অটোগ্রাড অপারেটর সত্যিই দুটি ফাংশন যা টেনসরগুলিতে কাজ করে। এগিয়ে ফাংশন ইনপুট Tensors থেকে আউটপুট Tensors নির্ণয় করে। অনগ্রসর ফাংশন কিছু স্কালে মান সম্মান সঙ্গে আউটপুট Tensors নতিমাত্রা পাচ্ছে, আর সেই একই স্কালে মান সম্মান সঙ্গে ইনপুট Tensors নতিমাত্রা নির্ণয় করে।
    পাইটর্চ-এ আমরা সহজেই আমাদের নিজস্ব অটোগ্রাড অপারেটরটি একটি সাবক্লাস সংজ্ঞায়িত torch.autograd.Functionকরে forward এবং backwardফাংশনগুলি প্রয়োগ করে সহজেই সংজ্ঞায়িত করতে পারি । এরপরে আমরা আমাদের নতুন অটোগ্রাড অপারেটরটি একটি উদাহরণ তৈরি করে এবং এটিকে কোনও ফাংশনের মতো কল করে, ইনপুট ডেটাযুক্ত টেনারগুলি পাস করে ব্যবহার করতে পারি।
    এই উদাহরণে আমরা আমাদের নিজস্ব কাস্টম অটোগ্রাড ফাংশনটি রিলু অরৈখিকতা সম্পাদনের জন্য সংজ্ঞায়িত করি এবং এটি আমাদের দ্বি-স্তর নেটওয়ার্ক বাস্তবায়নের জন্য ব্যবহার করি:
    # -*- coding: utf-8 -*-
    import torch
    
    
    class MyReLU(torch.autograd.Function):
        """
        We can implement our own custom autograd Functions by subclassing
        torch.autograd.Function and implementing the forward and backward passes
        which operate on Tensors.
        """
    
        @staticmethod
        def forward(ctx, input):
            """
            In the forward pass we receive a Tensor containing the input and return
            a Tensor containing the output. ctx is a context object that can be used
            to stash information for backward computation. You can cache arbitrary
            objects for use in the backward pass using the ctx.save_for_backward method.
            """
            ctx.save_for_backward(input)
            return input.clamp(min=0)
    
        @staticmethod
        def backward(ctx, grad_output):
            """
            In the backward pass we receive a Tensor containing the gradient of the loss
            with respect to the output, and we need to compute the gradient of the loss
            with respect to the input.
            """
            input, = ctx.saved_tensors
            grad_input = grad_output.clone()
            grad_input[input < 0] = 0
            return grad_input
    
    
    dtype = torch.float
    device = torch.device("cpu")
    # device = torch.device("cuda:0") # Uncomment this to run on GPU
    
    # N is batch size; D_in is input dimension;
    # H is hidden dimension; D_out is output dimension.
    N, D_in, H, D_out = 64, 1000, 100, 10
    
    # Create random Tensors to hold input and outputs.
    x = torch.randn(N, D_in, device=device, dtype=dtype)
    y = torch.randn(N, D_out, device=device, dtype=dtype)
    
    # Create random Tensors for weights.
    w1 = torch.randn(D_in, H, device=device, dtype=dtype, requires_grad=True)
    w2 = torch.randn(H, D_out, device=device, dtype=dtype, requires_grad=True)
    
    learning_rate = 1e-6
    for t in range(500):
        # To apply our Function, we use Function.apply method. We alias this as 'relu'.
        relu = MyReLU.apply
    
        # Forward pass: compute predicted y using operations; we compute
        # ReLU using our custom autograd operation.
        y_pred = relu(x.mm(w1)).mm(w2)
    
        # Compute and print loss
        loss = (y_pred - y).pow(2).sum()
        if t % 100 == 99:
            print(t, loss.item())
    
        # Use autograd to compute the backward pass.
        loss.backward()
    
        # Update weights using gradient descent
        with torch.no_grad():
            w1 -= learning_rate * w1.grad
            w2 -= learning_rate * w2.grad
    
            # Manually zero the gradients after updating weights
            w1.grad.zero_()
            w2.grad.zero_()
    

    NN/এনএন মডিউল

    পাইটর্চ: এনএন

    জটিল অপারেটরগুলি সংজ্ঞায়িত করার জন্য এবং স্বয়ংক্রিয়ভাবে ডেরিভেটিভস নেওয়ার জন্য গণনামূলক গ্রাফ এবং অটোগ্রাড একটি খুব শক্তিশালী দৃষ্টান্ত; তবে বৃহত নিউরাল নেটওয়ার্কগুলির জন্য কাঁচা অটোগ্র্যাড কিছুটা নিচু স্তরের হতে পারে।
    নিউরাল নেটওয়ার্ক তৈরি করার সময় আমরা প্রায়শই স্তরগুলিতে গণনার ব্যবস্থা করার কথা ভাবি , যার মধ্যে কিছু শেখার পরামিতি রয়েছে যা শেখার সময় অনুকূলিত হবে।
    টেনসরফ্লো -তে , কেরাস , টেনসরফ্লো-স্লিম এবং টিএফ্লার্নের মতো প্যাকেজগুলি কাঁচা কম্পিউটেশনাল গ্রাফগুলির উপর উচ্চ স্তরের বিমূর্ততা সরবরাহ করে যা নিউরাল নেটওয়ার্ক তৈরির জন্য দরকারী।
    পাইটর্চে nnপ্যাকেজটি একই উদ্দেশ্যে কাজ করে। nn প্যাকেজের একটি সেট সংজ্ঞায়িত মডিউল , যা মোটামুটিভাবে স্নায়ুর নেটওয়ার্ক স্তর সমতুল্য। একটি মডিউল ইনপুট টেনারগুলি গ্রহণ করে এবং আউটপুট টেনারগুলি গণনা করে তবে অভ্যন্তরীণ পরিস্থিতি যেমন টেনারগুলি শেখার যোগ্য পরামিতি ধারণ করে hold nnপ্যাকেজ এছাড়াও দরকারী ক্ষতি ফাংশন যে সাধারণভাবে যখন স্নায়ুর নেটওয়ার্ক প্রশিক্ষণ ব্যবহার করা হয় একটি সেট সংজ্ঞায়িত করে।
    এই উদাহরণে আমরা nnআমাদের দ্বি-স্তর নেটওয়ার্কটি প্রয়োগ করতে প্যাকেজটি ব্যবহার করি :
    # -*- coding: utf-8 -*-
    import torch
    
    # N is batch size; D_in is input dimension;
    # H is hidden dimension; D_out is output dimension.
    N, D_in, H, D_out = 64, 1000, 100, 10
    
    # Create random Tensors to hold inputs and outputs
    x = torch.randn(N, D_in)
    y = torch.randn(N, D_out)
    
    # Use the nn package to define our model as a sequence of layers. nn.Sequential
    # is a Module which contains other Modules, and applies them in sequence to
    # produce its output. Each Linear Module computes output from input using a
    # linear function, and holds internal Tensors for its weight and bias.
    model = torch.nn.Sequential(
        torch.nn.Linear(D_in, H),
        torch.nn.ReLU(),
        torch.nn.Linear(H, D_out),
    )
    
    # The nn package also contains definitions of popular loss functions; in this
    # case we will use Mean Squared Error (MSE) as our loss function.
    loss_fn = torch.nn.MSELoss(reduction='sum')
    
    learning_rate = 1e-4
    for t in range(500):
        # Forward pass: compute predicted y by passing x to the model. Module objects
        # override the __call__ operator so you can call them like functions. When
        # doing so you pass a Tensor of input data to the Module and it produces
        # a Tensor of output data.
        y_pred = model(x)
    
        # Compute and print loss. We pass Tensors containing the predicted and true
        # values of y, and the loss function returns a Tensor containing the
        # loss.
        loss = loss_fn(y_pred, y)
        if t % 100 == 99:
            print(t, loss.item())
    
        # Zero the gradients before running the backward pass.
        model.zero_grad()
    
        # Backward pass: compute gradient of the loss with respect to all the learnable
        # parameters of the model. Internally, the parameters of each Module are stored
        # in Tensors with requires_grad=True, so this call will compute gradients for
        # all learnable parameters in the model.
        loss.backward()
    
        # Update the weights using gradient descent. Each parameter is a Tensor, so
        # we can access its gradients like we did before.
        with torch.no_grad():
            for param in model.parameters():
                param -= learning_rate * param.grad 

    PyTorch: optim / পাইটর্চ: সর্বোত্তম

    এই মুহুর্তে আমরা শিখার যোগ্য পরামিতিগুলি ( অটোগ্রাডের ইতিহাস ট্র্যাকিংয়ের সাথে torch.no_grad() বা .dataএড়ানোর জন্য) ম্যানুয়ালি পরিবর্তিত করে আমাদের মডেলের ওজন আপডেট করেছি । স্টোকাস্টিক গ্রেডিয়েন্ট বংশদ্ভুতের মতো সাধারণ অপ্টিমাইজেশন অ্যালগরিদমের পক্ষে এটি বিশাল বোঝা নয়, তবে অনুশীলনে আমরা প্রায়শই অ্যাডাগ্রাড, আরএমএসপ্রপ, অ্যাডাম ইত্যাদির মতো আরও পরিশীলিত অপ্টিমাইজার ব্যবহার করে নিউরাল নেটওয়ার্কগুলি প্রশিক্ষণ করি
    optimPyTorch প্যাকেজ একটি অপ্টিমাইজেশান এলগরিদম এর ধারণা বিমূর্ত এবং সাধারণভাবে ব্যবহৃত অপ্টিমাইজেশান আলগোরিদিম বাস্তবায়নের প্রদান করে।
    এই উদাহরণে আমরা nnপ্যাকেজটি পূর্বের মতো আমাদের মডেলটি সংজ্ঞায়িত করতে ব্যবহার করব , তবে আমরা optimপ্যাকেজটি সরবরাহ করে অ্যাডাম অ্যালগরিদম ব্যবহার করে মডেলটি অনুকূল করব :
    # -*- coding: utf-8 -*-
    import torch
    
    # N is batch size; D_in is input dimension;
    # H is hidden dimension; D_out is output dimension.
    N, D_in, H, D_out = 64, 1000, 100, 10
    
    # Create random Tensors to hold inputs and outputs
    x = torch.randn(N, D_in)
    y = torch.randn(N, D_out)
    
    # Use the nn package to define our model and loss function.
    model = torch.nn.Sequential(
        torch.nn.Linear(D_in, H),
        torch.nn.ReLU(),
        torch.nn.Linear(H, D_out),
    )
    loss_fn = torch.nn.MSELoss(reduction='sum')
    
    # Use the optim package to define an Optimizer that will update the weights of
    # the model for us. Here we will use Adam; the optim package contains many other
    # optimization algoriths. The first argument to the Adam constructor tells the
    # optimizer which Tensors it should update.
    learning_rate = 1e-4
    optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
    for t in range(500):
        # Forward pass: compute predicted y by passing x to the model.
        y_pred = model(x)
    
        # Compute and print loss.
        loss = loss_fn(y_pred, y)
        if t % 100 == 99:
            print(t, loss.item())
    
        # Before the backward pass, use the optimizer object to zero all of the
        # gradients for the variables it will update (which are the learnable
        # weights of the model). This is because by default, gradients are
        # accumulated in buffers( i.e, not overwritten) whenever .backward()
        # is called. Checkout docs of torch.autograd.backward for more details.
        optimizer.zero_grad()
    
        # Backward pass: compute gradient of the loss with respect to model
        # parameters
        loss.backward()
    
        # Calling the step function on an Optimizer makes an update to its
        # parameters
        optimizer.step() 

    PyTorch: Custom nn Modules / পাইটর্চ: কাস্টম এনএন মডিউল

    কখনও কখনও আপনি এমন মডেলগুলি নির্দিষ্ট করতে চান যা বিদ্যমান মডিউলগুলির ক্রমগুলির চেয়ে জটিল; এই ক্ষেত্রে আপনি আপনার নিজের মডিউলগুলি সাবক্লাসিং nn.Moduleবা সংজ্ঞায়িত করতে পারেন forwardযা ইনপুট টেনসরগুলি গ্রহণ করে এবং টেনসরগুলিতে অন্যান্য মডিউল বা অন্যান্য অটোগ্রাড ক্রিয়াকলাপগুলি ব্যবহার করে আউটপুট টেনারগুলি উত্পাদন করে।
    এই উদাহরণে আমরা কাস্টম মডিউল সাবক্লাস হিসাবে আমাদের দ্বি-স্তর নেটওয়ার্কটি প্রয়োগ করি:
    # -*- coding: utf-8 -*-
    import torch
    
    
    class TwoLayerNet(torch.nn.Module):
        def __init__(self, D_in, H, D_out):
            """
            In the constructor we instantiate two nn.Linear modules and assign them as
            member variables.
            """
            super(TwoLayerNet, self).__init__()
            self.linear1 = torch.nn.Linear(D_in, H)
            self.linear2 = torch.nn.Linear(H, D_out)
    
        def forward(self, x):
            """
            In the forward function we accept a Tensor of input data and we must return
            a Tensor of output data. We can use Modules defined in the constructor as
            well as arbitrary operators on Tensors.
            """
            h_relu = self.linear1(x).clamp(min=0)
            y_pred = self.linear2(h_relu)
            return y_pred
    
    
    # N is batch size; D_in is input dimension;
    # H is hidden dimension; D_out is output dimension.
    N, D_in, H, D_out = 64, 1000, 100, 10
    
    # Create random Tensors to hold inputs and outputs
    x = torch.randn(N, D_in)
    y = torch.randn(N, D_out)
    
    # Construct our model by instantiating the class defined above
    model = TwoLayerNet(D_in, H, D_out)
    
    # Construct our loss function and an Optimizer. The call to model.parameters()
    # in the SGD constructor will contain the learnable parameters of the two
    # nn.Linear modules which are members of the model.
    criterion = torch.nn.MSELoss(reduction='sum')
    optimizer = torch.optim.SGD(model.parameters(), lr=1e-4)
    for t in range(500):
        # Forward pass: Compute predicted y by passing x to the model
        y_pred = model(x)
    
        # Compute and print loss
        loss = criterion(y_pred, y)
        if t % 100 == 99:
            print(t, loss.item())
    
        # Zero gradients, perform a backward pass, and update the weights.
        optimizer.zero_grad()
        loss.backward()
        optimizer.step() 

    PyTorch: Control Flow + Weight Sharing/পাইটর্চ: নিয়ন্ত্রণ প্রবাহ + ওজন ভাগ করে নেওয়া

    ডায়নামিক গ্রাফ এবং ওজন ভাগ করে নেওয়ার উদাহরণ হিসাবে, আমরা একটি খুব অদ্ভুত মডেল বাস্তবায়ন করি: একটি সম্পূর্ণ-সংযুক্ত আরএলইউ নেটওয়ার্ক যা প্রতিটি ফরোয়ার্ড পাসে 1 থেকে 4 এর মধ্যে একটি এলোমেলো সংখ্যা বেছে নেয় এবং বহু গোপন স্তর ব্যবহার করে একই ওজনকে একাধিকবার পুনরায় ব্যবহার করে অন্তরতম লুকানো স্তরগুলি গণনা করুন।
    এই মডেলের জন্য আমরা লুপটি প্রয়োগ করতে সাধারণ পাইথন ফ্লো কন্ট্রোল ব্যবহার করতে পারি এবং ফরোয়ার্ড পাসটি সংজ্ঞায়িত করার সময় আমরা একই মডিউলটিকে একাধিকবার পুনরায় ব্যবহার করে অভ্যন্তরীণ স্তরগুলির মধ্যে ওজন ভাগ করে নেওয়া বাস্তবায়ন করতে পারি।
    আমরা এই মডেলটিকে মডিউল সাবক্লাস হিসাবে সহজেই প্রয়োগ করতে পারি:
    # -*- coding: utf-8 -*-
    import random
    import torch
    
    
    class DynamicNet(torch.nn.Module):
        def __init__(self, D_in, H, D_out):
            """
            In the constructor we construct three nn.Linear instances that we will use
            in the forward pass.
            """
            super(DynamicNet, self).__init__()
            self.input_linear = torch.nn.Linear(D_in, H)
            self.middle_linear = torch.nn.Linear(H, H)
            self.output_linear = torch.nn.Linear(H, D_out)
    
        def forward(self, x):
            """
            For the forward pass of the model, we randomly choose either 0, 1, 2, or 3
            and reuse the middle_linear Module that many times to compute hidden layer
            representations.
    
            Since each forward pass builds a dynamic computation graph, we can use normal
            Python control-flow operators like loops or conditional statements when
            defining the forward pass of the model.
    
            Here we also see that it is perfectly safe to reuse the same Module many
            times when defining a computational graph. This is a big improvement from Lua
            Torch, where each Module could be used only once.
            """
            h_relu = self.input_linear(x).clamp(min=0)
            for _ in range(random.randint(0, 3)):
                h_relu = self.middle_linear(h_relu).clamp(min=0)
            y_pred = self.output_linear(h_relu)
            return y_pred
    
    
    # N is batch size; D_in is input dimension;
    # H is hidden dimension; D_out is output dimension.
    N, D_in, H, D_out = 64, 1000, 100, 10
    
    # Create random Tensors to hold inputs and outputs
    x = torch.randn(N, D_in)
    y = torch.randn(N, D_out)
    
    # Construct our model by instantiating the class defined above
    model = DynamicNet(D_in, H, D_out)
    
    # Construct our loss function and an Optimizer. Training this strange model with
    # vanilla stochastic gradient descent is tough, so we use momentum
    criterion = torch.nn.MSELoss(reduction='sum')
    optimizer = torch.optim.SGD(model.parameters(), lr=1e-4, momentum=0.9)
    for t in range(500):
        # Forward pass: Compute predicted y by passing x to the model
        y_pred = model(x)
    
        # Compute and print loss
        loss = criterion(y_pred, y)
        if t % 100 == 99:
            print(t, loss.item())
    
        # Zero gradients, perform a backward pass, and update the weights.
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    

    উদাহরণ

    আপনি এখানে উপরের উদাহরণগুলি ব্রাউজ করতে পারেন।
  • 0 comments:

    Post a Comment

    New Research

    Attention Mechanism Based Multi Feature Fusion Forest for Hyperspectral Image Classification.

    CBS-GAN: A Band Selection Based Generative Adversarial Net for Hyperspectral Sample Generation.

    Multi-feature Fusion based Deep Forest for Hyperspectral Image Classification.

    ADDRESS

    388 Lumo Rd, Hongshan, Wuhan, Hubei, China

    EMAIL

    contact-m.zamanb@yahoo.com
    mostofa.zaman@cug.edu.cn

    TELEPHONE

    #
    #

    MOBILE

    +8615527370302,
    +8807171546477