0 dní v řadě · 0 bodů

Tahák · Python · Neuronové sítě a moderní AI

PyTorch v praxi

Tenzory, autograd, moduly, DataLoader a trénovací smyčka. Přepíšeš síť z NumPy do PyTorch a poznáš chyby, které nehlásí žádná výjimka.

Otevřít celou lekciVšechny taháky
python
import torch
from torch import nn
from torch.utils.data import DataLoader, TensorDataset

device = "cuda" if torch.cuda.is_available() else "cpu"
loader = DataLoader(TensorDataset(X, y), batch_size=32, shuffle=True)
model = nn.Sequential(nn.Linear(2, 16), nn.ReLU(), nn.Linear(16, 2)).to(device)
loss_fn = nn.CrossEntropyLoss()              # logits + class indices
optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3)

model.train()
for xb, yb in loader:
    xb, yb = xb.to(device), yb.to(device)
    loss = loss_fn(model(xb), yb)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

model.eval()
with torch.inference_mode():
    pred = model(X.to(device)).argmax(dim=1)

torch.save(model.state_dict(), "model.pt")
model.load_state_dict(torch.load("model.pt", weights_only=True))