skorch
Version 1.0.0
Uma biblioteca de rede neural compatível com Scikit-Learn que envolve Pytorch.
Para ver exemplos mais elaborados, olhe aqui.
import numpy as np
from sklearn . datasets import make_classification
from torch import nn
from skorch import NeuralNetClassifier
X , y = make_classification ( 1000 , 20 , n_informative = 10 , random_state = 0 )
X = X . astype ( np . float32 )
y = y . astype ( np . int64 )
class MyModule ( nn . Module ):
def __init__ ( self , num_units = 10 , nonlin = nn . ReLU ()):
super (). __init__ ()
self . dense0 = nn . Linear ( 20 , num_units )
self . nonlin = nonlin
self . dropout = nn . Dropout ( 0.5 )
self . dense1 = nn . Linear ( num_units , num_units )
self . output = nn . Linear ( num_units , 2 )
self . softmax = nn . Softmax ( dim = - 1 )
def forward ( self , X , ** kwargs ):
X = self . nonlin ( self . dense0 ( X ))
X = self . dropout ( X )
X = self . nonlin ( self . dense1 ( X ))
X = self . softmax ( self . output ( X ))
return X
net = NeuralNetClassifier (
MyModule ,
max_epochs = 10 ,
lr = 0.1 ,
# Shuffle training data on each epoch
iterator_train__shuffle = True ,
)
net . fit ( X , y )
y_proba = net . predict_proba ( X )Em um pipeline Sklearn:
from sklearn . pipeline import Pipeline
from sklearn . preprocessing import StandardScaler
pipe = Pipeline ([
( 'scale' , StandardScaler ()),
( 'net' , net ),
])
pipe . fit ( X , y )
y_proba = pipe . predict_proba ( X )Com pesquisa de grade:
from sklearn . model_selection import GridSearchCV
# deactivate skorch-internal train-valid split and verbose logging
net . set_params ( train_split = False , verbose = 0 )
params = {
'lr' : [ 0.01 , 0.02 ],
'max_epochs' : [ 10 , 20 ],
'module__num_units' : [ 10 , 20 ],
}
gs = GridSearchCV ( net , params , refit = False , cv = 3 , scoring = 'accuracy' , verbose = 2 )
gs . fit ( X , y )
print ( "best score: {:.3f}, best params: {}" . format ( gs . best_score_ , gs . best_params_ ))Skorch também fornece muitos recursos convenientes, entre outros:
Skorch requer Python 3.9 ou superior.
Você precisa de uma instalação do CONDA em funcionamento. Obtenha o Miniconda correto para o seu sistema a partir daqui.
Para instalar o Skorch, você precisa usar o canal do conda-forge:
conda install -c conda-forge skorchRecomendamos usar um ambiente virtual do conda.
NOTA : O canal do CONDA não é gerenciado pelos mantenedores Skorch. Mais informações estão disponíveis aqui.
Para instalar com PIP, execute:
python -m pip install -U skorchNovamente, recomendamos usar um ambiente virtual para isso.
Se você deseja usar as adições mais recentes para Skorch ou ajudar o desenvolvimento, instale o Skorch a partir da fonte.
Para instalar Skorch a partir da fonte usando o CONDA, prossiga da seguinte forma:
git clone https://github.com/skorch-dev/skorch.git
cd skorch
conda create -n skorch-env python=3.10
conda activate skorch-env
conda install -c pytorch pytorch
python -m pip install -r requirements.txt
python -m pip install .Se você quiser ajudar a desenvolver, corra:
git clone https://github.com/skorch-dev/skorch.git
cd skorch
conda create -n skorch-env python=3.10
conda activate skorch-env
conda install -c pytorch pytorch
python -m pip install -r requirements.txt
python -m pip install -r requirements-dev.txt
python -m pip install -e .
py.test # unit tests
pylint skorch # static code checksVocê pode ajustar a versão Python para qualquer uma das versões Python suportadas.
Para PIP, siga estas instruções:
git clone https://github.com/skorch-dev/skorch.git
cd skorch
# create and activate a virtual environment
python -m pip install -r requirements.txt
# install pytorch version for your system (see below)
python -m pip install .Se você quiser ajudar a desenvolver, corra:
git clone https://github.com/skorch-dev/skorch.git
cd skorch
# create and activate a virtual environment
python -m pip install -r requirements.txt
# install pytorch version for your system (see below)
python -m pip install -r requirements-dev.txt
python -m pip install -e .
py.test # unit tests
pylint skorch # static code checksO Pytorch não é coberto pelas dependências, pois a versão Pytorch que você precisa depende do seu sistema operacional e dispositivo. Para obter instruções de instalação para a Pytorch, visite o site da Pytorch. Skorch apoia oficialmente as últimas quatro versões menores de Pytorch, que atualmente são:
No entanto, isso não significa que as versões mais antigas não funcionem, apenas que elas não são testadas. Como a Skorch depende principalmente da parte estável da API Pytorch, as versões mais antigas de Pytorch devem funcionar bem.
Em geral, executar isso para instalar Pytorch deve funcionar:
# using conda:
conda install pytorch pytorch-cuda -c pytorch
# using pip
python -m pip install torch
