Introduzione a PyTorch Costruzione del tuo primo modello lineare
Introduzione a PyTorch Come Costruire il Tuo Primo Modello Lineare
Impara come creare il tuo primo modello PyTorch, utilizzando il livello lineare “magico”
Nel mio ultimo post sul blog, abbiamo imparato come lavorare con i tensori PyTorch, l’oggetto più importante della libreria PyTorch. I tensori sono il fondamento dei modelli di deep learning, quindi naturalmente possiamo utilizzarli per adattare modelli di machine learning più semplici ai nostri dati.
Anche se PyTorch è conosciuto per le sue capacità di deep learning, possiamo anche adattare modelli lineari semplici utilizzando il framework, e questo è effettivamente uno dei modi migliori per familiarizzare con l’API di torch!
In questo post del blog, continueremo con la serie di introduzione a PyTorch verificando come possiamo sviluppare una semplice regressione lineare utilizzando la libreria torch. Nel processo, impareremo su ottimizzatori, pesi e altri parametri del nostro modello di apprendimento, qualcosa che sarà estremamente utile per architetture più complesse.
Cominciamo!
- Ricercatori di ByteDance presentano ImageDream un innovativo modello di generazione di oggetti 3D basato su immagini sorgenti e diffusione multi-vista
- Questo articolo AI dell’Imperial College London e Eleuther AI esplora il ruolo del gioco di ruolo come quadro per comprendere il comportamento degli agenti di dialogo
- Le ricercatrici di UC Berkeley introducono LLMCompiler un compilatore LLM che ottimizza le prestazioni di chiamata delle funzioni parallele di LLMs.
Caricamento ed Elaborazione dei Dati
Per questo post del blog, useremo il dataset sulla popolarità delle canzoni, in cui vogliamo predire la popolarità di una determinata canzone basandoci su alcune caratteristiche della canzone. Vediamo una rapida occhiata all’inizio del dataset qui sotto:
songPopularity = pd.read_csv('./data/song_data.csv')
Alcune delle caratteristiche di questo dataset includono metriche interessanti su ogni canzone, ad esempio:
- un livello di “energia” della canzone
- una codifica dei tasti (ad esempio, A, B, C, D, ecc.) della canzone
- intensità del suono della canzone
- tempo della canzone.
Il nostro obiettivo è utilizzare queste caratteristiche per predire la popolarità della canzone, un indice che varia da 0 a 100. Negli esempi mostrati sopra, cerchiamo di prevedere la seguente popolarità della canzone:
Invece di utilizzare sklearn, useremo moduli PyTorch per prevedere questa variabile continuativa. La parte interessante nell’apprendere come adattare le regressioni lineari in pytorch? La conoscenza che acquisiremo può essere applicata…
