Après avoir exposé différentes manières de mettre en œuvre des ajustements par régressions linéaires en Python, je terminerai par le framework de l'apprentissage automatique ou profond Python. Pytorch est soutenu par facebook. Son approche est différente que celle de Keras/Tensorflow , elle se veut plus programmatique et moins 'boite noire'.
Comme dans les autres billets, je vais commencer par préparer Jupyter pour Pytorch.
Les opérations sont les mêmes que pour tensorflow.
- Création d'un environnement virtuel Python (voir billet )
- Ajout d'un noyau à Jupyter
Installation de Pytoch
Il suffit de sélectionner les bonnes options sur la grille et en retour , il vous générera la ligne de commande pour PIP
Apres l'installation il suffira d'ajouter un noyau Pytorch à Jupyter (voir billet).
Sur mon PC cela donne:
Premier essai de résolution de regression linéaire avec Pytorch
En reprenant le même jeu de donnée que dans les billets précédents:
import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch.autograd import Variable class linearRegression(torch.nn.Module): def __init__(self, inputSize, outputSize): super(linearRegression, self).__init__() self.linear = torch.nn.Linear(inputSize, outputSize) def forward(self, x): out = self.linear(x) return out
inputDim = 1 # takes variable 'x' outputDim = 1 # takes variable 'y' learningRate = 0.01 epochs = 150 model = linearRegression(inputDim, outputDim) criterion = torch.nn.MSELoss() optimizer = torch.optim.SGD(model.parameters(), lr=learningRate)
history = [] for epoch in range(epochs): # Converting inputs and labels to Variable inputs = Variable(torch.from_numpy(X_train)) labels = Variable(torch.from_numpy(y_train)) # Clear gradient buffers because we don't want any gradient from previous epoch to carry forward, dont want to cummulate gradients optimizer.zero_grad() # get output from the model, given the inputs outputs = model(inputs) # get loss for the predicted output loss = criterion(outputs, labels) # print(loss.item()) history.append(loss.item()) # get gradients w.r.t to parameters loss.backward() # update parameters optimizer.step() # print('epoch {}, loss {}'.format(epoch, loss.item())) [w, b] = model.parameters() print(w) print(b) print('intercept :' ,0 - model.linear.bias.data.numpy()[0]) print('slope :' , model.linear.weight.data.numpy()[0][0])
ww = -model.linear.bias.data.numpy()[0] with torch.no_grad(): # we don't need gradients in the testing phase v = torch.tensor([3.5]) w = torch.tensor([7.0]) orig = torch.tensor([ww ]) test1 = model(v) test2 = model(w) test3 = model(orig) print(test1*10000,test2*10000, test3 * 10000)
