Training ed evaluation

In questo esercizio metteremo insieme tutto ciò che abbiamo praticato finora, addestrando e valutando una rete neurale sul dataset reale di caratteri etiopi MNIST scritti a mano.

ImageClassifier è un modello di rete neurale predefinito implementato con PyTorch Lightning. È composto da livelli convoluzionali per l’estrazione delle caratteristiche, funzioni di attivazione per introdurre non linearità e livelli completamente connessi per la classificazione.

Il dataset Ethiopic MNIST è già stato importato per te.

Questo esercizio fa parte del corso

Modelli di AI scalabili con PyTorch Lightning

Visualizza il corso

Istruzioni dell'esercizio

Importa Trainer.
Definisci il modello ImageClassifier e il trainer.
Allena il modello.
Valuta il modello sul set di validazione.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Import the Trainer
from lightning.pytorch import ____

# Define ImageClassifier model & trainer and set epoch parameter
model = ____()
trainer = ____(max_epochs=5)

# Train the model
trainer.fit(____, train_loader, val_loader)

# Evaluate the model
val_results = trainer.____(____, val_loader)
print("Validation Accuracy:", val_results[0]["val_acc"])

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Modelli di AI scalabili con PyTorch Lightning

IntermediárioNível de habilidade

4.8+

Inizia il corso gratis

In this chapter, we'll explore how PyTorch Lightning simplifies the development and deployment of scalable AI models. Starting with foundational concepts, we'll go through the core structure of a PyTorch Lightning project, including essential components like the LightningModule and Trainer, to set a strong foundation for more advanced AI solutions.

Exercise 1: Introduzione a PyTorch Lightning Exercise 2: Introduzione al LightningModule Exercise 3: Eseguire il Lightning Trainer Exercise 4: Definire modelli con LightningModule Exercise 5: Uso del LightningModule Exercise 6: Padroneggiare il metodo init Exercise 7: Perfezionare il metodo forward Exercise 8: Implementare la logica di training Exercise 9: Implementare lo step di training Exercise 10: Configurare l'ottimizzatore Exercise 11: Training ed evaluation

Esercizio in corso

We'll dive deeper into PyTorch Lightning to efficiently manage data and refine model training in this chapter. We'll learn how to create modular and reusable data workflows with LightningDataModule, evaluate your models accurately through validation and testing, and enhance training processes using Lightning Callbacks to automate model improvement and avoid overfitting.

Exercise 1: Managing data with LightningDataModule Exercise 2: Splitting data with LightningDataModule Exercise 3: Creating a train DataLoader Exercise 4: Incorporating validation and testing Exercise 5: Implementing the validation step Exercise 6: Evaluate model accuracy using Torchmetrics Exercise 7: Enhancing training with Lightning callbacks Exercise 8: Classifying Lightning callbacks Exercise 9: Optimizing model training with Lightning

Learn to prepare deep learning models for real-world deployment by making them leaner and faster. This chapter introduces techniques such as dynamic quantization, pruning, and TorchScript conversion, helping you reduce model size and latency without sacrificing accuracy

Exercise 1: Applying dynamic quantization Exercise 2: Apply dynamic quantization Exercise 3: Comparing quantized model performance Exercise 4: Implementing model pruning techniques Exercise 5: Apply pruning to a linear layer Exercise 6: Finalize pruning by removing the mask Exercise 7: Exporting models with TorchScript Exercise 8: Choosing the right conversion method Exercise 9: Optimizing models for scalability Exercise 10: Recap: Scalable AI Models with PyTorch Lightning