Creación de una Red Neuronal Simple
Nuestro objetivo es construir una red neuronal básica en PyTorch utilizando el conjunto de datos digits, un conjunto clásico en el aprendizaje automático. La tarea consiste en predecir el dígito (objetivo) a partir de la imagen de su escritura a mano, representada como un conjunto de valores de píxeles (características).
Descripción del conjunto de datos
El conjunto de datos digits contiene imágenes de dígitos escritos a mano representadas como valores numéricos de píxeles. Cada muestra consta de 64 características, que corresponden a las intensidades de los píxeles de una imagen en escala de grises de 8×8. La variable objetivo (columna 'target'
) representa la clase del dígito (0-9), indicando a qué número corresponde la imagen.
El primer paso es leer el archivo CSV y extraer las características (X
) y la variable objetivo (y
), que representa la salida que se desea predecir:
import pandas as pd
digits_df = pd.read_csv('https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_3/digits.csv')
# Extract features and target
X = digits_df.drop(columns=["target"]).values
y = digits_df["target"].values
Definición de la clase del modelo
Primero, se deben importar todos los módulos necesarios de PyTorch (nn
, F
). El módulo nn
se utiliza para definir capas y arquitecturas del modelo, mientras que el módulo F
contiene funciones de activación, funciones de pérdida y otras utilidades que suelen emplearse en un estilo funcional.
import torch.nn as nn
import torch.nn.functional as F
Ahora se puede proceder a definir la clase del modelo:
class DigitsClassifier(nn.Module):
...
Arquitectura del Modelo
Dado que la tarea es una clasificación multiclase simple, un perceptrón multicapa (MLP) con 2 capas ocultas es suficiente.
class DigitsClassifier(nn.Module):
def __init__(self, input_features, hidden1, hidden2, output_classes):
super().__init__()
# Define the layers
self.fc1 = nn.Linear(input_features, hidden1) # Input to first hidden layer
self.fc2 = nn.Linear(hidden1, hidden2) # First hidden to second hidden layer
self.out = nn.Linear(hidden2, output_classes) # Second hidden to output layer
Como ya se sabe, un MLP consta de capas totalmente conectadas (también llamadas capas densas), donde las capas ocultas procesan las características de entrada y la capa de salida proporciona las predicciones finales de clase. Estas capas totalmente conectadas se representan como capas nn.Linear
en PyTorch.
Propagación Hacia Adelante
El método .forward()
define la propagación hacia adelante de los datos a través del modelo.
def forward(self, x):
# Pass data through layers with activation functions
a1 = F.relu(self.fc1(x)) # First hidden layer with ReLU
a2 = F.relu(self.fc2(a1)) # Second hidden layer with ReLU
output = self.out(a2) # Output layer (no activation for raw scores)
return output
El tensor de entrada x
se pasa primero por la primera capa totalmente conectada (fc1
), seguida de la función de activación ReLU para introducir no linealidad. Luego pasa por la segunda capa totalmente conectada (fc2
), nuevamente seguida de ReLU.
Finalmente, los datos transformados pasan por la capa de salida (out
), que produce los valores brutos (logits) para las clases de salida.
Creación del Modelo
Ahora que la clase del modelo está definida, podemos definir los parámetros del modelo e instanciar el modelo.
De manera similar al número de capas ocultas, el número de neuronas en cada capa oculta se elige de forma arbitraria en nuestro ejemplo: 32
y 16
para la primera y segunda capa oculta, respectivamente.
En consecuencia, el modelo resultante se estructura de la siguiente manera:
- Capa de entrada: coincide con el número de características en el conjunto de datos (
64
para este conjunto de datos); - Capas ocultas: cantidades arbitrarias de neuronas (
32
y16
); - Capa de salida: coincide con el número de clases (
10
dígitos).
Implementación Completa
12345678910111213141516171819202122232425262728293031323334import torch.nn as nn import torch.nn.functional as F import pandas as pd digits_df = pd.read_csv('https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_3/digits.csv') # Extract features and target X = digits_df.drop(columns=["target"]).values y = digits_df["target"].values # Define the model class class DigitsClassifier(nn.Module): def __init__(self, input_features, hidden1, hidden2, output_classes): super().__init__() # Define the layers self.fc1 = nn.Linear(input_features, hidden1) # Input to first hidden layer self.fc2 = nn.Linear(hidden1, hidden2) # First hidden to second hidden layer self.out = nn.Linear(hidden2, output_classes) # Second hidden to output layer def forward(self, x): # Pass data through layers with activation functions a1 = F.relu(self.fc1(x)) # First hidden layer with ReLU a2 = F.relu(self.fc2(a1)) # Second hidden layer with ReLU output = self.out(a2) # Output layer (no activation for raw scores) return output # Define model parameters input_features = X.shape[1] # Number of features (pixels) hidden1 = 32 # Number of neurons in first hidden layer hidden2 = 16 # Number of neurons in second hidden layer output_classes = len(digits_df["target"].unique()) # Number of unique digits (0-9) # Create an instance of the model model = DigitsClassifier(input_features, hidden1, hidden2, output_classes) # Display the model structure print(model)
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Can you explain how to train this model on the digits dataset?
What loss function and optimizer should I use for this classification task?
How do I prepare the data for input into the PyTorch model?
Awesome!
Completion rate improved to 5
Creación de una Red Neuronal Simple
Desliza para mostrar el menú
Nuestro objetivo es construir una red neuronal básica en PyTorch utilizando el conjunto de datos digits, un conjunto clásico en el aprendizaje automático. La tarea consiste en predecir el dígito (objetivo) a partir de la imagen de su escritura a mano, representada como un conjunto de valores de píxeles (características).
Descripción del conjunto de datos
El conjunto de datos digits contiene imágenes de dígitos escritos a mano representadas como valores numéricos de píxeles. Cada muestra consta de 64 características, que corresponden a las intensidades de los píxeles de una imagen en escala de grises de 8×8. La variable objetivo (columna 'target'
) representa la clase del dígito (0-9), indicando a qué número corresponde la imagen.
El primer paso es leer el archivo CSV y extraer las características (X
) y la variable objetivo (y
), que representa la salida que se desea predecir:
import pandas as pd
digits_df = pd.read_csv('https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_3/digits.csv')
# Extract features and target
X = digits_df.drop(columns=["target"]).values
y = digits_df["target"].values
Definición de la clase del modelo
Primero, se deben importar todos los módulos necesarios de PyTorch (nn
, F
). El módulo nn
se utiliza para definir capas y arquitecturas del modelo, mientras que el módulo F
contiene funciones de activación, funciones de pérdida y otras utilidades que suelen emplearse en un estilo funcional.
import torch.nn as nn
import torch.nn.functional as F
Ahora se puede proceder a definir la clase del modelo:
class DigitsClassifier(nn.Module):
...
Arquitectura del Modelo
Dado que la tarea es una clasificación multiclase simple, un perceptrón multicapa (MLP) con 2 capas ocultas es suficiente.
class DigitsClassifier(nn.Module):
def __init__(self, input_features, hidden1, hidden2, output_classes):
super().__init__()
# Define the layers
self.fc1 = nn.Linear(input_features, hidden1) # Input to first hidden layer
self.fc2 = nn.Linear(hidden1, hidden2) # First hidden to second hidden layer
self.out = nn.Linear(hidden2, output_classes) # Second hidden to output layer
Como ya se sabe, un MLP consta de capas totalmente conectadas (también llamadas capas densas), donde las capas ocultas procesan las características de entrada y la capa de salida proporciona las predicciones finales de clase. Estas capas totalmente conectadas se representan como capas nn.Linear
en PyTorch.
Propagación Hacia Adelante
El método .forward()
define la propagación hacia adelante de los datos a través del modelo.
def forward(self, x):
# Pass data through layers with activation functions
a1 = F.relu(self.fc1(x)) # First hidden layer with ReLU
a2 = F.relu(self.fc2(a1)) # Second hidden layer with ReLU
output = self.out(a2) # Output layer (no activation for raw scores)
return output
El tensor de entrada x
se pasa primero por la primera capa totalmente conectada (fc1
), seguida de la función de activación ReLU para introducir no linealidad. Luego pasa por la segunda capa totalmente conectada (fc2
), nuevamente seguida de ReLU.
Finalmente, los datos transformados pasan por la capa de salida (out
), que produce los valores brutos (logits) para las clases de salida.
Creación del Modelo
Ahora que la clase del modelo está definida, podemos definir los parámetros del modelo e instanciar el modelo.
De manera similar al número de capas ocultas, el número de neuronas en cada capa oculta se elige de forma arbitraria en nuestro ejemplo: 32
y 16
para la primera y segunda capa oculta, respectivamente.
En consecuencia, el modelo resultante se estructura de la siguiente manera:
- Capa de entrada: coincide con el número de características en el conjunto de datos (
64
para este conjunto de datos); - Capas ocultas: cantidades arbitrarias de neuronas (
32
y16
); - Capa de salida: coincide con el número de clases (
10
dígitos).
Implementación Completa
12345678910111213141516171819202122232425262728293031323334import torch.nn as nn import torch.nn.functional as F import pandas as pd digits_df = pd.read_csv('https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_3/digits.csv') # Extract features and target X = digits_df.drop(columns=["target"]).values y = digits_df["target"].values # Define the model class class DigitsClassifier(nn.Module): def __init__(self, input_features, hidden1, hidden2, output_classes): super().__init__() # Define the layers self.fc1 = nn.Linear(input_features, hidden1) # Input to first hidden layer self.fc2 = nn.Linear(hidden1, hidden2) # First hidden to second hidden layer self.out = nn.Linear(hidden2, output_classes) # Second hidden to output layer def forward(self, x): # Pass data through layers with activation functions a1 = F.relu(self.fc1(x)) # First hidden layer with ReLU a2 = F.relu(self.fc2(a1)) # Second hidden layer with ReLU output = self.out(a2) # Output layer (no activation for raw scores) return output # Define model parameters input_features = X.shape[1] # Number of features (pixels) hidden1 = 32 # Number of neurons in first hidden layer hidden2 = 16 # Number of neurons in second hidden layer output_classes = len(digits_df["target"].unique()) # Number of unique digits (0-9) # Create an instance of the model model = DigitsClassifier(input_features, hidden1, hidden2, output_classes) # Display the model structure print(model)
¡Gracias por tus comentarios!