Kom igångKom igång gratis

Sekventiellt dataset

Bra jobbat med att bygga funktionen create_sequences()! Nu är det dags att använda den för att skapa ett träningsdataset till din modell.

Precis som med tabell- och bilddata är det enklast att skicka sekventiell data till en modell via ett torch-dataset och en DataLoader. För att bygga ett sekventiellt dataset anropar du create_sequences() för att hämta NumPy-arrayerna med indata och mål, och du inspekterar deras form. Sedan skickar du dem till ett TensorDataset för att skapa ett korrekt torch-dataset och kontrollerar dess längd.

Din implementation av create_sequences() och en DataFrame med träningsdata som heter train_data finns tillgängliga.

Den här övningen är en del av kursen

Fördjupad djupinlärning med PyTorch

Visa kurs

Övningsinstruktioner

  • Anropa create_sequences() och skicka in tränings-DataFramen samt en sekvenslängd på 24*4, och tilldela resultatet till X_train, y_train.
  • Definiera dataset_train genom att anropa TensorDataset och skicka in två argument – indata och mål skapade av create_sequences() – båda konverterade från NumPy-arrayer till float-tensorer.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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))
Redigera och kör kod