Skip to main content

Torch Models Example

Torch Models Example

Файлы: examples/torch_models/train.py и predict.py.

✅ Проверено на локальном Docker-стеке: оба скрипта отрабатывают до конца. Недостающие данные (см. ниже) добавлены в репозиторий.

⚠️Исправлено: Примернедостающий нефайл запускается "из коробки"данных

Оба скрипта читают examples/torch_models/data/data.csv:

df = pd.read_csv(data_dir / "data.csv", sep=";")
X = df.drop("class", axis=1).values
y = df["class"].values

Папки examples/torch_models/data/ в репозитории нетне было — файл данных отсутствует.отсутствовал, Запускзапуск безпадал него завершитсяс FileNotFoundError. СудяДобавлен examples/torch_models/data/data.csv — синтетический датасет из 180 строк, 3 класса (по коду,60 ожидаетсястрок CSVкаждый), с4 колонкойчисловых признака (f1…f4, гауссовы "блобы" вокруг разных центров) и колонка class (целевая0/1/2), меткаразделитель классификации, целые числа) и произвольным числом числовых признаков-колонок.;. Уже обученные веса (models/model.pt, models/model_automl.pt) в репозитории тоже есть и теперь соответствуют этим данным — они,оба видимо,файла былиперезаписываются полученыпри накаждом данных, которые автор примера не закоммитил.

Чтобы прогнать пример, нужно подготовить свой CSV такого вида (или сгенерировать синтетические данные) и положить взапуске examples/torch_models/data/data.csvtrain.py.

train.py

class SimpleNet(nn.Module):
    def __init__(self, input_dim, num_classes):
        super().__init__()
        self.fc1 = nn.Linear(input_dim, 512)
        self.dropout1 = nn.Dropout(0.3)
        self.fc2 = nn.Linear(512, 256)
        self.dropout2 = nn.Dropout(0.3)
        self.fc3 = nn.Linear(256, num_classes)
    # forward: fc1 -> ReLU -> Dropout -> fc2 -> ReLU -> Dropout -> fc3

wrapper = TorchModelWrapper(model)
wrapper.learn(X_train=X, y_train=y, epochs=20, batch_size=4, lr=1e-3)
wrapper.save(models_dir / "model.pt")

wrapper_aml = TorchModelWrapper.auto_search(X, y)
wrapper_aml.save(models_dir / "model_automl.pt")

Сначала обучает вручную заданную трёхслойную сеть (512→256→classes, dropout 0.3), сохраняет как model.pt. Затем отдельно прогоняет TorchModelWrapper.auto_search(X, y) — полный перебор 54 архитектур (см. страницу Torch Models в книге «Документация MLumina») — и сохраняет лучшую как model_automl.pt. Обратите внимание: batch_size=4 в ручном обучении — очень маленький батч, подходит только для небольших демонстрационных датасетов.

predict.py

Пересоздаёт точно такую же архитектуру SimpleNet (руками, не через сериализацию структуры — TorchModelWrapper.save сохраняет только state_dict, не саму архитектуру), загружает веса model.pt и делает предсказания:

model = SimpleNet(input_dim, num_classes)
state = torch.load(models_dir / "model.pt", map_location="cpu")
model.load_state_dict(state)

wrapper = TorchModelWrapper(model, device="cpu")
probs = wrapper.predict(X, return_probs=True)
labels = wrapper.predict(X, return_probs=False)

Важно: input_dim/num_classes в predict.py вычисляются заново из CSV — если структура данных при инференсе отличается от той, на которой обучалась модель (другое число признаков/классов), load_state_dict упадёт из-за несовпадения размерностей слоёв. Здесь нет сохранения/восстановления архитектуры "из коробки" — это ограничение TorchModelWrapper.save, а не только примера.

Back to top