De forward-methode perfectioneren
Nadat je lagen hebt ingesteld in de __init__-methode, bepaalt de forward-methode hoe data erdoorheen stroomt. In PyTorch Lightning houdt deze scheiding je code overzichtelijk en makkelijk te onderhouden. Je hebt al gezien hoe je de constructor opzet—nu is het tijd om je te richten op de forward pass, zodat je classificatielogica helder is en geoptimaliseerd voor training. Hier zijn de lagen in __init__ al voor je gedefinieerd, zodat je je volledig kunt concentreren op de forward-flow.
lightning.pytorch en torch.nn zijn al geïmporteerd als pl en nn.
Deze oefening maakt deel uit van de cursus
Schaalbare AI-modellen met PyTorch Lightning
Oefeninstructies
- Implementeer de
forward-methode inClassifierModel. - Pas een ReLU-activatie toe na de verborgen laag.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
class ClassifierModel(pl.LightningModule):
def __init__(self, input_dim, hidden_dim, output_dim):
super().__init__()
self.hidden = nn.Linear(input_dim, hidden_dim)
self.output = nn.Linear(hidden_dim, output_dim)
# Define forward method
def ____(self, ____):
# Complete the forward pass
x = self.hidden(x)
x = ____(x)
x = self.output(x)
return x