Введение в PyTorch – Создание вашей первой линейной модели

Введение в PyTorch создание вашей первой линейной модели

Узнайте, как построить свою первую модель PyTorch, используя “волшебный” линейный слой

Regression Model — Image generated by AI

В моем последнем блоге мы узнали, как работать с тензорами PyTorch, самым важным объектом в библиотеке PyTorch. Тензоры являются основой моделей глубокого обучения, поэтому, естественно, мы можем использовать их для подгонки более простых моделей машинного обучения к нашим наборам данных.

Хотя PyTorch известен своими возможностями глубокого обучения, мы также можем применять простые линейные модели с помощью этого фреймворка – и это действительно один из лучших способов познакомиться с API torch!

В этом блоге мы продолжим серию введения в PyTorch, изучив, как разработать простую линейную регрессию с помощью библиотеки torch. В процессе мы узнаем о torch оптимизаторах, весах и других параметрах нашей модели обучения, что будет крайне полезно для более сложных архитектур.

Давайте начнем!

Загрузка и обработка данных

Для этого блога мы будем использовать набор данных о популярности песен, где мы хотим предсказать популярность определенной песни на основе некоторых характеристик песни. Давайте взглянем на начало набора данных ниже:

songPopularity = pd.read_csv(‘./data/song_data.csv’)
Song Popularity Feature Columns — Image by Author

Некоторые из характеристик этого набора данных включают интересные метрики для каждой песни, например:

  • уровень “энергии” песни
  • кодировка ключа (например, A, B, C, D и т.д.) песни
  • громкость песни
  • темп песни.

Нашей целью является использование этих характеристик для предсказания популярности песни, индекса от 0 до 100. В приведенных нами примерах мы стремимся предсказать следующую популярность песни:

Вместо использования sklearn, мы собираемся использовать модули PyTorch для предсказания этой непрерывной переменной. Хорошая часть изучения подгонки линейной регрессии в pytorch? Полученные знания могут быть применены…