Začněte nyníZačněte zdarma

Sekvenční dataset

Skvělá práce při tvorbě funkce create_sequences()! Teď ji využijeme k vytvoření trénovacího datasetu pro model.

Stejně jako tabulková nebo obrazová data se sekvenční data nejsnáze předávají modelu prostřednictvím torch Dataset a DataLoader. K vytvoření sekvenčního Dataset zavoláš create_sequences(), čímž získáš NumPy pole se vstupy a cílovými hodnotami, a zkontrolujeme jejich tvar. Poté je předáš do TensorDataset, aby vznikl řádný torch Dataset, a zkontrolujeme jeho délku.

Tvoje implementace funkce create_sequences() a DataFrame s trénovacími daty pojmenovaný train_data jsou k dispozici.

Toto cvičení je součástí kurzu

Intermediate Deep Learning with PyTorch

Zobrazit kurz

Pokyny k cvičení

  • Zavolej create_sequences(), předej jí trénovací DataFrame a délku sekvence 24*4 a výsledek přiřaď do X_train, y_train.
  • Definuj dataset_train voláním TensorDataset a předej mu dva argumenty — vstupy a cílové hodnoty vrácené funkcí create_sequences(), přičemž obě NumPy pole převeď na tenzory typu float.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

import torch
from torch.utils.data import TensorDataset

# Use create_sequences to create inputs and targets
X_train, y_train = ____
print(X_train.shape, y_train.shape)

# Create TensorDataset
dataset_train = ____(
    ____,
    ____,
)
print(len(dataset_train))
Upravit a spustit kód