Jeu de données séquentiel

Beau travail pour la fonction create_sequences() ! Il est maintenant temps de l'utiliser pour créer un jeu de données d'entraînement pour votre modèle.

Tout comme les données tabulaires et d'images, les données séquentielles sont plus faciles à transmettre à un modèle au moyen d'un Dataset et d'un DataLoader de torch. Pour construire un Dataset séquentiel, vous appellerez create_sequences() pour obtenir les tableaux NumPy des entrées et des cibles, puis vous examinerez leur forme. Ensuite, vous les passerez à un TensorDataset pour créer un véritable Dataset torch et vous en vérifierez la longueur.

Votre implémentation de create_sequences() et un DataFrame contenant les données d'entraînement appelé train_data sont disponibles.

Cette activité fait partie du cours

Apprentissage profond intermédiaire avec PyTorch

Instructions de l’exercice

Appelez create_sequences() en lui transmettant le DataFrame d'entraînement et une longueur de séquence de 24*4, et affectez le résultat à X_train, y_train.
Définissez dataset_train en appelant TensorDataset et en lui passant deux arguments, les entrées et les cibles créées par create_sequences(), toutes deux converties de tableaux NumPy en tenseurs de nombres réels (float).

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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))

Modifier et exécuter le code

Cette activité fait partie du cours

Apprentissage profond intermédiaire avec PyTorch

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Apprenez à entraîner des réseaux de neurones de façon robuste. Dans ce chapitre, vous utiliserez la programmation orientée objet pour définir des jeux de données et des modèles PyTorch et réviser vos connaissances sur l'entraînement et l'évaluation de réseaux de neurones. Vous vous familiariserez aussi avec différents optimiseurs et, enfin, vous maîtriserez diverses techniques qui aident à atténuer les problèmes de gradients instables, si répandus lors de l'entraînement des réseaux.

Exercise 1: PyTorch et la programmation orientée objet Exercise 2: Jeu de données PyTorch Exercise 3: PyTorch DataLoader Exercise 4: Modèle PyTorch Exercise 5: Optimiseurs, entraînement et évaluation Exercise 6: Boucle d'entraînement Exercise 7: Optimiseurs Exercise 8: Évaluation du modèle Exercise 9: Gradients qui s'évanouissent et qui explosent Exercise 10: Initialisation et activation Exercise 11: Activations : ReLU vs ELU Exercise 12: Normalisation par lot

Entraînez des réseaux de neurones pour résoudre des tâches de classification d'images. Dans ce chapitre, vous apprendrez à manipuler des données d'images dans PyTorch et à vous familiariser avec les réseaux de neurones convolutionnels (CNN). Vous vous exercerez à entraîner et à évaluer un classificateur d'images tout en découvrant comment améliorer les performances du modèle grâce à l'augmentation de données.

Exercise 1: Manipuler des images avec PyTorch Exercise 2: Jeu de données d'images Exercise 3: Augmentation des données Exercise 4: Augmentation de données avec PyTorch Exercise 5: Réseaux de neurones convolutionnels Exercise 6: La couche de convolution Exercise 7: Créer des réseaux convolutionnels Exercise 8: Entraîner des classifieurs d'images Exercise 9: Choisir les augmentations Exercise 10: Jeu de données avec augmentations Exercise 11: Boucle d'entraînement du classifieur d'images Exercise 12: Évaluer des classificateurs d'images Exercise 13: Évaluation d'un modèle multiclasse Exercise 14: Analyse des métriques par classe

Créez et entraînez des réseaux de neurones récurrents (RNN) pour traiter des données séquentielles comme des séries chronologiques, du texte ou de l'audio. Vous découvrirez les deux architectures récurrentes les plus populaires, LSTM (Long Short-Term Memory) et GRU (Gated Recurrent Unit), ainsi que la préparation des données séquentielles pour l'entraînement. Vous mettrez vos compétences en pratique en entraînant et en évaluant un modèle récurrent pour prédire la consommation d'électricité.

Exercise 1: Manipuler les séquences avec PyTorch Exercise 2: Générer des séquences Exercise 3: Jeu de données séquentiel

Exercice en cours

Exercise 4: Réseaux de neurones récurrents Exercise 5: Architectures séquentielles Exercise 6: Créer un RNN de prévision Exercise 7: Cellules LSTM et GRU Exercise 8: RNN vs LSTM vs GRU Exercise 9: Réseau LSTM Exercise 10: Réseau GRU Exercise 11: Entraîner et évaluer des RNN Exercise 12: Boucle d'entraînement RNN Exercise 13: Évaluer des modèles de prévision

Créez des modèles à entrées multiples et à sorties multiples, et voyez comment ils abordent des tâches nécessitant plus d'une entrée ou générant plusieurs sorties. Vous explorerez la conception et l'entraînement de ces modèles avec PyTorch et approfondirez l'aspect crucial de la pondération des pertes dans les modèles à sorties multiples. Il s'agit de comprendre comment équilibrer l'importance de différentes tâches quand on entraîne un modèle à accomplir plusieurs tâches simultanément.

Exercise 1: Modèles à entrées multiples Exercise 2: Jeu de données à deux entrées Exercise 3: Modèle à deux entrées Exercise 4: Entraîner un modèle à deux entrées Exercise 5: Modèles à sorties multiples Exercise 6: Jeu de données et DataLoader à deux sorties Exercise 7: Architecture de modèle à deux sorties Exercise 8: Entraîner des modèles à sorties multiples Exercise 9: Évaluation des modèles à sorties multiples et pondération des pertes Exercise 10: Évaluation d'un modèle à sorties multiples Exercise 11: Pondération des pertes Exercise 12: Récapitulatif