PyTorchの基礎：Irisデータセットを使ったニューラルネットワークの構築と学習
この記事では、PyTorchを使ってIrisデータセットを対象に簡単なニューラルネットワークを構築し、学習を行う方法を説明します。Irisデータセットは、機械学習の入門的なデータセットとしてよく利用されるため、学習の流れを掴むのに最適です。
環境準備
まず、PyTorchと必要なライブラリをインポートします。
import torch
import torch.nn as nn
import torch.nn.functional as F
from sklearn.datasets import load_iris
Irisデータセットの読み込み
scikit-learnからIrisデータセットをロードします。
iris = load_iris()
# 入力データとラベルを取得
x = iris['data']
t = iris['target']
取得したデータはNumPy配列なので、PyTorchのテンソルに変換します。
x = torch.tensor(x, dtype=torch.float32)
t = torch.tensor(t, dtype=torch.int64)
print(x.shape, t.shape) # 出力: (150, 4) (150,)
データセットの分割
学習データ、検証データ、テストデータを分割します。
# データセットの分割割合
n_train = int(len(x) * 0.6)
n_val = int(len(x) * 0.2)
n_test = len(x) - n_train - n_val
train, val, test = torch.utils.data.random_split(torch.utils.data.TensorDataset(x, t), [n_train, n_val, n_test])
# DataLoaderの定義
batch_size = 10
train_loader = torch.utils.data.DataLoader(train, batch_size, shuffle=True, drop_last=True)
val_loader = torch.utils.data.DataLoader(val, batch_size)
test_loader = torch.utils.data.DataLoader(test, batch_size)
ネットワークの定義
次に、PyTorchのnn.Moduleを使ってネットワークを定義します。このネットワークは4つの入力ノード、4つの中間層ノード、3つの出力ノードを持つシンプルな全結合層（fully-connected layer）です。
class Net(nn.Module):
def __init__(self):
super().__init__()
self.fc1 = nn.Linear(4, 4)
self.fc2 = nn.Linear(4, 3)
def forward(self, x):
h = F.relu(self.fc1(x))
h = self.fc2(h)
return h
モデルの初期化とデバイスへの転送
GPUが利用可能であれば、モデルとデータをGPUに転送します。
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
net = Net().to(device)
# 最適化手法
optimizer = torch.optim.SGD(net.parameters(), lr=0.1)
学習ループ
学習を1エポック行います。
max_epoch = 1
for epoch in range(max_epoch):
for batch in train_loader:
x_batch, t_batch = batch
x_batch, t_batch = x_batch.to(device), t_batch.to(device)
# 順伝播
y = net(x_batch)
loss = F.cross_entropy(y, t_batch)
# 勾配のリセット、逆伝播、重みの更新
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 正解率の計算
y_label = torch.argmax(y, dim=1)
accuracy = (y_label == t_batch).sum().float() / len(t_batch)
print(f'Epoch: {epoch+1}, Loss: {loss.item()}, Accuracy: {accuracy:.2f}')
モデルの評価
学習が終了したら、検証データとテストデータでモデルの性能を評価します。
def calc_accuracy(data_loader):
correct = 0
total = 0
with torch.no_grad():
for batch in data_loader:
x_batch, t_batch = batch
x_batch, t_batch = x_batch.to(device), t_batch.to(device)
y = net(x_batch)
y_label = torch.argmax(y, dim=1)
correct += (y_label == t_batch).sum().item()
total += len(t_batch)
return correct / total
# 検証データでの正解率
val_accuracy = calc_accuracy(val_loader)
print(f'Validation Accuracy: {val_accuracy:.2f}')
# テストデータでの正解率
test_accuracy = calc_accuracy(test_loader)
print(f'Test Accuracy: {test_accuracy:.2f}')
結果
- 1エポックの学習では、検証データとテストデータの正解率が表示されます。エポック数やバッチサイズを変更することで、さらに精度の高いモデルを目指すことが可能です。
イメージ図
