- 파이토치의 대부분 구현체는 모델을 생성할때 class를 사용함.
- 앞서 구현한 코드와 다른 점은 클래스로 모델을 구현했다는 점임.
1. 모델을 클래스로 구현하기
(1) nn.module
을 사용한 model 선언
model = nn.Sequential(
nn.Linear(2, 1),
nn.Sigmoid()
)
(2) class를 사용한 model 선언
class BinaryClassifier(nn.Module):
def __init__(self):
super().__init__()
self.linear = nn.Linear(2,1)
self.sigmoid = nn.Sigmoid()
def forward(self,x):
return self.sigmoid(self.linear(x))
- 클래스 형태의 모델은
nn.Module
을 상속받음.
__init__()
- 모델의 구조와 동작을 정의하는 생성자 정의
- 객체가 갖는 속성값을 초기화하는 역할로 객체가 생성될때 자동으로 호출
super()
함수를 부르면 자동으로 nn.Module
속성을 가지고 초기화
forward()
- 모델이 학습데이터를 입력받아서 forward 연산을 진행하는 함수
- model 객체를 데이터와 함계 호출하면 자동으로 실행
- H(x) 식에서 입력 x로부터 y를 얻는 것을 forward 연산이라고함.
2. 로지스틱 회귀 클래스로 구현하기
(1) 패키지 선언 및 초기화
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
torch.manual_seed(1)
(2) 학습 데이터 선언
x_data = [[1,2],[2,3],[3,1],[4,3],[5,3],[6,2]]
y_data = [[0],[0],[0],[1],[1],[1]]
x_train = torch.FloatTensor(x_data)
y_train = torch.FloatTensor(y_data)
(3) 클래스 및 모델 선언
class BinaryClassifier(nn.Module):
def __init__(self):
super().__init__()
self.linear = nn.Linear(2,1)
self.sigmoid = nn.Sigmoid()
def forward(self,x):
return self.sigmoid(self.linear(x))
model = BinaryClassifier()
(4) 모델 학습
optimizer = optim.SGD(model.parameters(), lr=1)
nb_epochs = 1000
for epoch in range(nb_epochs+1):
hypothesis = model(x_train)
cost = F.binary_cross_entropy(hypothesis, y_train)
optimizer.zero_grad()
cost.backward()
optimizer.step()
if epoch % 10 == 0:
prediction = hypothesis >= torch.FloatTensor([0.5])
correct_prediction = prediction.float() == y_train
accuracy = correct_prediction.sum().item()/len(correct_prediction)
print('Epoch {:4d}/{} Cost: {:.6f} Accuracy {:2.2f}%'.format(
epoch, nb_epochs, cost.item(), accuracy * 100,
))
Epoch 0/1000 Cost: 0.539713 Accuracy 83.33%
Epoch 10/1000 Cost: 0.614853 Accuracy 66.67%
...
Epoch 980/1000 Cost: 0.020219 Accuracy 100.00%
Epoch 990/1000 Cost: 0.020029 Accuracy 100.00%
Epoch 1000/1000 Cost: 0.019843 Accuracy 100.00%