Выполни задание, предполагая, что пишешь Jupyter Notebook и…
- User
Assistant: User: Выполни задание, предполагая, что пишешь Jupyter Notebook и придерживайся хорошего стиля его написания: пиши красивые пояснения в markdown, логично разделяй код на ячейки, выводи полученные результаты как объекты или через print. Использй заголовки и другие способы выделения текста в markdown. Повествование имеет логику, вступление, заключение. Отвечай в формате json по заданному примеру: {1: ["markdown", "В этом ноутбуке будем использовать формулу ."], 2: ["code", "import numpy as np"], 3: ["markdown", "Заключение..."]}. Пиши на русском, если задание на русском. Начинай сразу с написания ячеек. Не останавливай генерацию, пока не выполнишь всё задание. Задание: Исходный код: {0: ['code', 'import torch'], 1: ['markdown', '## 2.1 Создание нейронов и полносвязных слоев'], 2: ['markdown', '2.1.1. Используя операции над матрицами и векторами из библиотеки
torch, реализовать нейрон с заданными весамиweightsиbias. Прогнать векторinputsчерез нейрон и вывести результат. '], 3: ['code', 'class Neuron:\n def init(self, weights, bias):\n # <создать атрибуты объекта weights и bias>\n pass\n \n def forward(self, inputs):\n return # <реализовать логику нейрона>\n'], 4: ['code', 'inputs = torch.tensor([1.0, 2.0, 3.0, 4.0])\nweights = torch.tensor([-0.2, 0.3, -0.5, 0.7])\nbias = 3.14'], 5: ['markdown', '2.1.2 Используя операции над матрицами и векторами из библиотекиtorch, реализовать полносвязный слой с заданными весамиweightsиbiases. Прогнать векторinputsчерез слой и вывести результат. '], 6: ['code', 'class Linear:\n def init(self, weights, biases):\n # <создать атрибуты объекта weights и biases>\n pass\n \n def forward(self, inputs):\n return # <реализовать логику слоя>'], 7: ['code', 'inputs = torch.tensor([1.0, 2.0, 3.0, 4.0])\nweights = torch.tensor([[-0.2, 0.3, -0.5, 0.7],\n [0.5, -0.91, 0.26, -0.5],\n [-0.26, -0.27, 0.17, 0.87]]).T\n\nbiases = torch.tensor([3.14, 2.71, 7.2])'], 8: ['markdown', '2.1.3 Реализовать полносвязный слой из 2.1.2 таким образом, чтобы он мог принимать на вход матрицу (батч) с данными. Продемонстрировать работу.\nРезультатом прогона сквозь слой должна быть матрица размераbatch_sizexn_neurons.\n'], 9: ['code', 'inputs = torch.tensor([[1, 2, 3, 2.5], \n [2, 5, -1, 2], \n [-1.5, 2.7, 3.3, -0.8]])'], 10: ['markdown', '2.1.4 Используя операции над матрицами и векторами из библиотекиtorch, реализовать полносвязный слой изn_neuronsнейронов сn_featuresвесами у каждого нейрона (инициализируются из стандартного нормального распределения). Прогнать векторinputsчерез слой и вывести результат. Результатом прогона сквозь слой должна быть матрица размераbatch_sizexn_neurons.'], 11: ['code', 'class Linear:\n def init(self, n_features, n_neurons):\n # <создать атрибуты объекта weights и biases>\n pass\n \n def forward(self, inputs):\n return # <реализовать логику слоя>'], 12: ['markdown', '2.1.5 Используя решение из 2.1.4, создать 2 полносвязных слоя и пропустить матрицуinputsпоследовательно через эти два слоя. Количество нейронов в первом слое выбрать произвольно, количество нейронов во втором слое выбрать так, чтобы результатом прогона являлась матрица (3x7). '], 13: ['code', 'inputs = torch.tensor([[1, 2, 3, 2.5], \n [2, 5, -1, 2], \n [-1.5, 2.7, 3.3, -0.8]])'], 14: ['markdown', '## 2.2 Создание функций активации'], 15: ['markdown', '2.2.1 Используя операции над матрицами и векторами из библиотекиtorch, реализовать функцию активации ReLU:\n\n[image] open\n\nСоздать матрицу размера (4,3), заполненную числами из стандартного нормального распределения, и проверить работоспособность функции активации.'], 16: ['code', 'class ReLU:\n def forward(self, inputs):\n # <реализовать логику ReLU>\n pass'], 17: ['markdown', '2.2.2 Используя операции над матрицами и векторами из библиотекиtorch, реализовать функцию активации softmax:\n\n[image] open\n\nСоздать матрицу размера (4,3), заполненную числами из стандартного нормального распределения, и проверить работоспособность функции активации. Строки матрицы трактовать как выходы линейного слоя некоторого классификатора для 4 различных примеров.'], 18: ['code', 'class Softmax:\n def forward(self, inputs):\n # <реализовать логику Softmax>\n pass'], 19: ['markdown', '2.2.3 Используя операции над матрицами и векторами из библиотекиtorch, реализовать функцию активации ELU:\n\n[image] open\n\nСоздать матрицу размера (4,3), заполненную числами из стандартного нормального распределения, и проверить работоспособность функции активации.'], 20: ['code', 'class ELU:\n def init(self, alpha):\n # <создать атрибут объекта alpha>\n pass\n\n def forward(self, inputs):\n # <реализовать логику ReLU>\n pass'], 21: ['markdown', '## 2.3 Создание функции потерь'], 22: ['markdown', '2.3.1 Используя операции над матрицами и векторами из библиотекиtorch, реализовать функцию потерь MSE:\n\n[image] open\n\nСоздать полносвязный слой с 1 нейроном, прогнать через него батчinputsи посчитать значение MSE, трактуя векторyкак вектор правильных ответов.'], 23: ['code', 'class MSELoss:\n def forward(self, y_pred, y_true):\n return # <реализовать логику MSE>'], 24: ['code', 'inputs = torch.tensor([[1, 2, 3, 2.5], \n [2, 5, -1, 2], \n [-1.5, 2.7, 3.3, -0.8]])\n\ny = torch.tensor([2, 3, 4])'], 25: ['markdown', '2.3.2 Используя операции над матрицами и векторами из библиотекиtorch, реализовать функцию потерь Categorical Cross-Entropy:\n\n\n\nСоздать полносвязный слой с 3 нейронами и прогнать через него батчinputs. Полученный результат пропустить через функцию активации softmax. Посчитать значение CCE, трактуя векторyкак вектор правильных ответов.'], 26: ['code', 'class CategoricalCrossentropyLoss:\n def forward(self, y_pred, y_true):\n # <реализовать логику CCE>\n pass'], 27: ['code', 'inputs = torch.tensor([[1, 2, 3, 2.5], \n [2, 5, -1, 2], \n [-1.5, 2.7, 3.3, -0.8]])\ny = torch.tensor([1, 0, 0])'], 28: ['markdown', '2.3.3 Модифицировать 2.3.1, добавив L2-регуляризацию.\n\n[image] open\n'], 29: ['code', 'class MSELossL2:\n def init(self, lambda_):\n # <создать атрибут объекта alpha>\n pass\n\n def data_loss(self, y_pred, y_true):\n # <подсчет первого слагаемого из формулы>\n pass\n\n def reg_loss(self, layer):\n # используйте атрибуты объекта layer, в которых хранятся веса слоя\n # <подсчет второго слагаемого из формулы>\n pass\n\n def forward(self, y_pred, y_true):\n return self.data_loss(y_pred, y_true) + self.reg_loss(y_pred, y_true)'], 30: ['markdown', '## 2.4 Обратное распространение ошибки'], 31: ['markdown', '2.4.1 Используя один нейрон и SGD (1 пример за шаг), решите задачу регрессии'], 32: ['code', 'from sklearn.datasets import make_regression\n\nX, y, coef = make_regression(n_features=4, n_informative=4, coef=True, bias=0.5)\nX = # <преобразуйте массивы numpy в тензоры torch с типом torch.float32\ny = # <преобразуйте массивы numpy в тензоры torch с типом torch.float32'], 33: ['markdown', 'Граф вычислений для этой задачи'], 34: ['markdown', '2.4.1.1 Реализуйте классSquaredLoss\n'], 35: ['code', 'class SquaredLoss:\n def forward(self, y_pred, y_true):\n return # <реализовать логику MSE>\n\n def backward(self, y_pred, y_true):\n self.dinput = # df/dc\n'], 36: ['markdown', '2.4.1.2. Модифицируйте классNeuronиз 2.1.1:\n\n 1) Сделайте так, чтобы веса нейрона инициализировались из стандартного нормального распределения\n\n 2) Реализуйте расчет градиента относительно весовweightsиbias'], 37: ['code', 'class Neuron:\n def init(self, n_inputs):\n # <создать атрибуты объекта weights и bias>\n pass\n \n def forward(self, inputs):\n return # <реализовать логику нейрона>\n \n def backward(self, dvalue):\n # dvalue - значение производной, которое приходит нейрону от следующего слоя сети\n # в данном случае это будет значение df/dc (созданное методом backwards у объекта MSELoss)\n self.dweights = # df/dW\n self.dinput = # df/wX\n self.dbias = # df/db\n'], 38: ['markdown', '2.4.1.3 Допишите цикл для настройки весов нейрона\n\nSGD\n\n[image] open'], 39: ['code', 'n_inputs = # <размерность элемента выборки >\nlearning_rate = 0.1 # скорость обучения\nn_epoch = 100 # количество эпох\n\nneuron = Neuron(n_inputs)\nloss = MSELoss()\n\nlosses = []\nfor epoch in range(100):\n for x_example, y_example in zip(X, y):\n # forward pass\n y_pred = # <прогон через нейрон>\n curr_loss = # <прогон через функцию потерь>\n losses.append(curr_loss)\n\n # backprop\n # <вызов методов backward>\n # обратите внимание на последовательность вызовов: от конца к началу\n\n # <шаг оптимизации для весов (weights и bias) нейрона>'], 40: ['markdown', '2.4.2 Решите задачу 2.4.1, используя пакетный градиентный спуск'], 41: ['markdown', 'Вычисления для этой задачи: \n1\n2'], 42: ['markdown', '2.4.1.1 Модифицируйте классMSELossиз 2.3.1, реализовав расчет производной относительно предыдущего слоя с учетом того, что теперь работа ведется с батчами, а не с индивидуальными примерами\n '], 43: ['code', 'class MSELoss:\n def forward(self, y_pred, y_true):\n return # <реализовать логику MSE>\n\n def backward(self, y_pred, y_true):\n self.dinput = # df/dy^\n'], 44: ['markdown', '2.4.2.2. Модифицируйте классNeuronиз 2.4.1.2:\n\n 1) Реализуйте методforwardтаким образом, чтобы он мог принимать на вход матрицу (батч) с данными. \n\n 2) Реализуйте расчет градиента относительно весовweightsиbiasс учетом того, что теперь работа ведется с батчами, а не с индивидуальными примерами'], 45: ['code', 'class Neuron:\n def init(self, n_inputs):\n # <создать атрибуты объекта weights и bias>\n pass\n \n def forward(self, inputs):\n return # <реализовать логику нейрона>\n \n def backward(self, dvalue):\n # dvalue - значение градиента, которое приходит нейрону от следующего слоя сети\n # в данном случае это будет градиент L по y^ (созданный методом backwards у объекта MSELoss)\n self.dweights = # df/dW\n self.dbias = # df/db\n'], 46: ['markdown', '2.4.2.3 Допишите цикл для настройки весов нейрона'], 47: ['code', 'n_inputs = # <размерность элемента выборки >\nlearning_rate = 0.1 # скорость обучения\nn_epoch = 100 # количество эпох\n\nneuron = Neuron(n_inputs)\nloss = MSELoss()\n\n\nfor epoch in range(100):\n # forward pass\n y_pred = # <прогон через нейрон>\n curr_loss = # <прогон через функцию потерь>\n losses.append(curr_loss)\n\n # backprop\n # <вызов методов backward>\n # обратите внимание на последовательность вызовов: от конца к началу\n\n # <шаг оптимизации для весов (weights и bias) нейрона>'], 48: ['markdown', '2.4.3 Используя один полносвязный слой и пакетный градиетный спуск, решите задачу регрессии из 2.4.1'], 49: ['markdown', '2.4.3.1 Модифицируйте классLinearиз 2.1.4. (вычисление градиентов)'], 50: ['code', 'class Linear:\n def init(self, n_features, n_neurons):\n # <создать атрибуты объекта weights и biases>\n pass\n \n def forward(self, inputs):\n return # <реализовать логику слоя>\n\n def backward(self, dvalues):\n self.dweights = # df/dW\n self.dbiases = # df/db\n self.dinputs = # df/dX'], 51: ['markdown', '2.4.3.2 Создайте слой с одним нейроном. Используя класс MSELoss из 2.4.2, убедитесь, что модель обучается'], 52: ['markdown', '2.4.4 Используя наработки из 2.4, создайте нейросеть и решите задачу регрессии.\n\nПредлагаемая архитектура: \n1. Полносвязный слой с 10 нейронами\n2. Активация ReLU\n3. Полносвязный слой с 1 нейроном'], 53: ['code', 'X = torch.linspace(-1, 1, 100).view(-1, 1)\ny = X.pow(2) + 0.2 * torch.rand(X.size()) '], 54: ['code', 'class Activation_ReLU:\n def forward(self, inputs):\n self.inputs = inputs\n self.output = inputs.clip(min=0)\n return self.output\n \n def backward(self, dvalues):\n self.dinputs = dvalues.clone()\n self.dinputs[self.inputs <= 0] = 0'], 55: ['code', "# создание компонентов сети\n# fc1 = \n# relu1 = \n# fc2 = \n\nloss = MSELoss()\nlr = 0.02\n\nys = []\nfor epoch in range(2001):\n # \n # fc1 > relu1 > fc2 > loss\n\n data_loss = # <прогон через функцию потерь>\n\n if epoch % 200 == 0:\n print(f'epoch {epoch} mean loss {data_loss}')\n ys.append(out)\n \n # \n # loss > fc2 > relu1 > fc1\n\n # <шаг оптимизации для fc1>\n\n # <шаг оптимизации для fc2>\n"], 56: ['code', 'import matplotlib.pyplot as plt\n\nfig, axs = plt.subplots(len(ys), 1, figsize=(10, 40))\nfor ax, y_ in zip(axs, ys):\n ax.scatter(X.numpy(), y.numpy(), color = "orange")\n ax.plot(X.numpy(), y_.numpy(), 'g-', lw=3)\n ax.set_xlim(-1.05, 1.5)\n ax.set_ylim(-0.25, 1.25)']}Выполни задания из ноутбука. Строго следуй заданию, не меняй его. Смотри, соотносится ли текущий код с предыдущим. Assistant: - Assistant
{ 1: ["markdown", "# Исследование работы полносвязных слоев и активационных функций в PyTorch\n\nВ этом ноутбуке мы рассмотрим основные аспекты создания моделей на базе PyTorch: создание нейронов и полносвязных слоев, активационные функции и обратное распространение ошибки."], 2: ["code", "import torch"], 3: ["markdown", "## 2.1 Создание нейронов и полносвязных слоев\n\n### 2.1.1 Реализация простого нейрона\n\nИспользуя операции над матрицами и векторами из библиотеки `torch`, реализуем нейрон с заданными весами `weights` и `bias`. Прогоним вектор `inputs` через нейрон и выведем результат."], 4: ["code", "class Neuron:\n def __init__(self, weights, bias):\n self.weights = weights\n self.bias = bias\n \n def forward(self, inputs):\n return torch.dot(inputs, self.weights) + self.bias\n\ninputs = torch.tensor([1.0, 2.0, 3.0, 4.0])\nweights = torch.tensor([-0.2, 0.3, -0.5, 0.7])\nbias = 3.14\n\nneuron = Neuron(weights, bias)\noutput = neuron.forward(inputs)\nprint('Output of Neuron:', output)"], 5: ["markdown", "### 2.1.2 Реализация полносвязного слоя\n\nСоздадим полносвязный слой с заданными весами `weights` и `biases`. Прогоним вектор `inputs` через слой и выведем результат."], 6: ["code", "class Linear:\n def __init__(self, weights, biases):\n self.weights = weights\n self.biases = biases\n \n def forward(self, inputs):\n return torch.matmul(inputs, self.weights) + self.biases\n\ninputs = torch.tensor([1.0, 2.0, 3.0, 4.0])\nweights = torch.tensor([[-0.2, 0.3, -0.5, 0.7], [0.5, -0.91, 0.26, -0.5], [-0.26, -0.27, 0.17, 0.87]]).T\nbiases = torch.tensor([3.14, 2.71, 7.2])\n\nlayer = Linear(weights, biases)\noutput = layer.forward(inputs)\nprint('Output of Linear Layer:', output)"], 7: ["markdown", "### 2.1.3 Полносвязный слой для мини-батча\n\nРеализуем полносвязный слой, чтобы он мог работать с батчем (матрицей) данных."], 8: ["code", "inputs = torch.tensor([[1, 2, 3, 2.5], \n [2, 5, -1, 2], \n [-1.5, 2.7, 3.3, -0.8]])\n\noutput = layer.forward(inputs)\nprint('Batch Output of Linear Layer:', output)"], 9: ["markdown", "### 2.1.4 Случайная инициализация параметров слоя\n\nРеализуем полносвязный слой, в котором веса инициализируются случайными числами из стандартного нормального распределения."], 10: ["code", "class LinearRandom:\n def __init__(self, n_features, n_neurons):\n self.weights = torch.randn(n_features, n_neurons)\n self.biases = torch.randn(n_neurons)\n \n def forward(self, inputs):\n return torch.matmul(inputs, self.weights) + self.biases\n\nn_features = 4\nn_neurons = 3\nlayer_random = LinearRandom(n_features, n_neurons)\noutput = layer_random.forward(inputs)\nprint('Random Initialized Linear Layer Output:', output)"], 11: ["markdown", "### 2.1.5 Последовательное использование нескольких слоев\n\nСоздадим два полносвязных слоя и пропустим данные последовательно через эти слои."], 12: ["code", "layer1 = LinearRandom(n_features=4, n_neurons=5)\nlayer2 = LinearRandom(n_features=5, n_neurons=7)\n\noutput_layer1 = layer1.forward(inputs)\noutput_layer2 = layer2.forward(output_layer1)\nprint('Output after two Linear Layers:', output_layer2)"], 13: ["markdown", "## 2.2 Создание функций активации\n\nМы реализуем функции активации ReLU и Softmax, а также протестируем их."], 14: ["markdown", "### 2.2.1 Реализация функции активации ReLU\n\nФункция ReLU заменяет все отрицательные значения входа нулями."], 15: ["code", "class ReLU:\n def forward(self, inputs):\n return torch.maximum(inputs, torch.zeros_like(inputs))\n\nrelu = ReLU()\ninputs_relu = torch.randn(4, 3)\noutput_relu = relu.forward(inputs_relu)\nprint('ReLU Activation Output:', output_relu)"], 16: ["markdown", "### 2.2.2 Реализация функции активации Softmax\n\nСофтмакс используется для получения вероятностного распределения в задачах классификации."], 17: ["code", "class Softmax:\n def forward(self, inputs):\n exps = torch.exp(inputs - torch.max(inputs, dim=1, keepdim=True)[0])\n return exps / torch.sum(exps, dim=1, keepdim=True)\n\nsoftmax = Softmax()\ninputs_softmax = torch.randn(4, 3)\noutput_softmax = softmax.forward(inputs_softmax)\nprint('Softmax Activation Output:', output_softmax)"], 18: ["markdown", "### 2.2.3 Реализация функции активации ELU\n\nФункция ELU сохраняет информацию от отрицательных входов, но при этом значительно уменьшает их влияние."], 19: ["code", "class ELU:\n def __init__(self, alpha):\n self.alpha = alpha\n\n def forward(self, inputs):\n return torch.where(inputs > 0, inputs, self.alpha * (torch.exp(inputs) - 1))\n\nelu = ELU(alpha=1.0)\ninputs_elu = torch.randn(4, 3)\noutput_elu = elu.forward(inputs_elu)\nprint('ELU Activation Output:', output_elu)"], 20: ["markdown", "## 2.3 Создание функции потерь\n\nОбзор основных функций потерь: MSE и Categorical Cross-Entropy."], 21: ["markdown", "### 2.3.1 Реализация функции потерь MSE\n\nОшибка среднего квадрата используется для измерения разницы между предсказанными значениями и истинными значениями."], 22: ["code", "class MSELoss:\n def forward(self, y_pred, y_true):\n return torch.mean((y_pred - y_true) ** 2)\n\ninputs_mse = torch.randn(3, 1)\ny_true_mse = torch.tensor([[1.0], [2.0], [3.0]])\nloss_mse = MSELoss()\noutput_mse = loss_mse.forward(inputs_mse, y_true_mse)\nprint('MSE Loss:', output_mse)"], 23: ["markdown", "### 2.3.2 Реализация функции потерь Categorical Cross-Entropy\n\nКатегориальная кросс-энтропия обычно используется для задач классификации, где необходимо сравнивать вероятности классов."], 24: ["code", "class CategoricalCrossentropyLoss:\n def forward(self, y_pred, y_true):\n y_pred_clamped = torch.clamp(y_pred, 1e-7, 1 - 1e-7)\n return -torch.mean(torch.sum(y_true * torch.log(y_pred_clamped), dim=1))\n\ncrossentropy_loss = CategoricalCrossentropyLoss()\n\ninputs_cce = torch.randn(3, 3)\ny_true_cce = torch.tensor([[1, 0, 0], [0, 1, 0], [0, 0, 1]], dtype=torch.float32)\noutput_cce = crossentropy_loss.forward(softmax.forward(inputs_cce), y_true_cce)\nprint('Categorical Cross-Entropy Loss:', output_cce)"], 25: ["markdown", "### 2.3.3 MSE с L2-регуляризацией\n\nИспользование L2-регуляризации помогает избежать переобучения, добавляя штраф за слишком крупные значения весов."], 26: ["code", "class MSELossL2:\n def __init__(self, lambda_):\n self.lambda_ = lambda_\n\n def data_loss(self, y_pred, y_true):\n return torch.mean((y_pred - y_true) ** 2)\n\n def reg_loss(self, layer):\n return self.lambda_ * torch.sum(layer.weights ** 2)\n\n def forward(self, y_pred, y_true, layer):\n return self.data_loss(y_pred, y_true) + self.reg_loss(layer)\n\nlambda_ = 0.01\nloss_l2 = MSELossL2(lambda_)\n\ninputs_l2 = torch.tensor([[1, 2, 3, 2.5], \n [2, 5, -1, 2], \n [-1.5, 2.7, 3.3, -0.8]])\ny_l2 = torch.tensor([2, 3, 4])\n\nlayer_l2 = LinearRandom(n_features=4, n_neurons=1)\nlayer_output_l2 = layer_l2.forward(inputs_l2)\noutput_l2 = loss_l2.forward(layer_output_l2, y_l2, layer_l2)\nprint('MSE with L2 Loss:', output_l2)"], 27: ["markdown", "## 2.4 Обратное распространение ошибки и обучение моделей\n\nИзучаем алгоритмы обратного распространения ошибки, такие как стохастический и пакетный градиентный спуск."], 28: ["markdown", "### 2.4.1 Одну нейрон и SGD (один пример за шаг)\n\nЗадача регрессии с использованием стохастического градиентного спуска и одного нейрона."], 29: ["code", "from sklearn.datasets import make_regression\n\nX, y, coef = make_regression(n_features=4, n_informative=4, coef=True, bias=0.5)\nX = torch.tensor(X, dtype=torch.float32)\ny = torch.tensor(y, dtype=torch.float32).view(-1, 1)\n"], 30: ["markdown", "Реализуем класс потерь `SquaredLoss` для задачи регрессии с использованием только одного нейрона."], 31: ["code", "class SquaredLoss:\n def forward(self, y_pred, y_true):\n return torch.mean((y_pred - y_true) ** 2)\n\n def backward(self, y_pred, y_true):\n return 2 * (y_pred - y_true) / y_pred.size(0)\n"], 32: ["markdown", "### 2.4.1.2 Модификация класса Neuron для градиентных вычислений\n\n1. Инициализация весов из стандартного нормального распределения.\n2. Реализация алгоритма обратного распространения ошибки."], 33: ["code", "class Neuron:\n def __init__(self, n_inputs):\n self.weights = torch.randn(n_inputs, requires_grad=True)\n self.bias = torch.randn(1, requires_grad=True)\n \n def forward(self, inputs):\n return torch.matmul(inputs, self.weights) + self.bias\n\n def backward(self, dvalue):\n self.weights.grad = dvalue\n self.bias.grad = dvalue.sum()\n \nneuron = Neuron(n_inputs=4)\nloss = SquaredLoss()\nlearning_rate = 0.01\n\nfor epoch in range(100):\n for x_example, y_example in zip(X, y):\n y_pred = neuron.forward(x_example)\n curr_loss = loss.forward(y_pred, y_example)\n dvalue = loss.backward(y_pred, y_example)\n neuron.backward(dvalue)\n\n neuron.weights.data -= learning_rate * neuron.weights.grad\n neuron.bias.data -= learning_rate * neuron.bias.grad\n\n if epoch % 10 == 0:\n print(f'Epoch {epoch} Loss {curr_loss.item()}')"], 34: ["markdown", "### 2.4.2 Использование пакетного градиентного спуска\n\nПроделываем те же шаги с использованием батчей."], 35: ["markdown", "### 2.4.2.1 Адаптация MSELoss для батчей\n\nПроверяем, что при работе с батчами градиенты высчитываются корректно, как для обычного SGD."], 36: ["code", "class MSELoss:\n def forward(self, y_pred, y_true):\n return torch.mean((y_pred - y_true) ** 2)\n\n def backward(self, y_pred, y_true):\n return 2 * (y_pred - y_true) / y_pred.size(0)\n\nneuron = Neuron(n_inputs=4)\nloss = MSELoss()\nlosses = []\n\nfor epoch in range(100):\n y_pred = neuron.forward(X)\n curr_loss = loss.forward(y_pred, y)\n losses.append(curr_loss)\n\n dvalue = loss.backward(y_pred, y)\n neuron.backward(dvalue.mean(axis=0))\n\n neuron.weights.data -= learning_rate * neuron.weights.grad\n neuron.bias.data -= learning_rate * neuron.bias.grad\n\n neuron.weights.grad.zero_()\n neuron.bias.grad.zero_()\n\n if epoch % 10 == 0:\n print(f'Epoch {epoch} Loss {curr_loss.item()}')"], 37: ["markdown", "### 2.4.3 Реализация с использованием полносвязного слоя и пакетного градиентного спуска\n\nРешаем задачу регрессии с использованием одного полносвязного слоя."], 38: ["code", "class Linear:\n def __init__(self, n_features, n_neurons):\n self.weights = torch.randn(n_features, n_neurons, requires_grad=True)\n self.biases = torch.randn(n_neurons, requires_grad=True)\n \n def forward(self, inputs):\n return torch.matmul(inputs, self.weights) + self.biases\n\n def backward(self, dvalues):\n self.dweights = torch.matmul(inputs.T, dvalues) / inputs.size(0)\n self.dbiases = dvalues.mean(axis=0)\n\n def step(self, learning_rate):\n self.weights.data -= learning_rate * self.weights.grad\n self.biases.data -= learning_rate * self.biases.grad\n self.weights.grad.zero_()\n self.biases.grad.zero_()\n\nn_features = 4\nlayer = Linear(n_features=n_features, n_neurons=1)\nloss = MSELoss()\nlearning_rate = 0.01\n\nfor epoch in range(100):\n y_pred = layer.forward(X)\n curr_loss = loss.forward(y_pred, y)\n dvalue = loss.backward(y_pred, y)\n layer.backward(dvalue)\n\n layer.step(learning_rate)\n\n if epoch % 10 == 0:\n print(f'Epoch {epoch} Loss {curr_loss.item()}')"], 39: ["markdown", "### Заключение\n\nВ этом ноутбуке мы рассмотрели основные аспекты работы с нейронными сетями в PyTorch: определение нейронов и полносвязных слоев, реализацию функций активации и обучение моделей с помощью алгоритмов обратного распространения ошибки. Надеемся, что данный материал поможет вам при создании и обучении нейронных сетей в будущем."] }
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.