PyTorch Geometric Temporal
Pemrosesan Sinyal Spatiotemporal dengan Deep Learning
PyTorch Geometric Temporal adalah pustaka pembelajaran mendalam untuk pemrosesan sinyal spasiotemporal saraf. Ini terdiri dari berbagai metode pembelajaran mendalam, penyematan, dan regresi spasi-temporal dinamis dan temporal dari berbagai makalah penelitian yang diterbitkan. Selain itu, ia hadir dengan pemuat data yang mudah digunakan dan iterator untuk grafik dinamis dan temporal, dukungan gpu. Itu juga dilengkapi dengan sejumlah kumpulan data benchmark dengan grafik temporal dan dinamis (Anda juga dapat membuat kumpulan data Anda sendiri).
Berikut ini, kami akan meninjau studi kasus di mana PyTorch Geometric Tempora l dapat digunakan untuk memecahkan masalah pembelajaran mesin yang relevan di dunia nyata.
Memperkirakan kasus cacar air
Kami menggunakan kumpulan data Kasus Cacar Air Hongaria dalam studi kasus ini. Kami akan melatih regressor untuk memprediksi kasus mingguan yang dilaporkan oleh kabupaten menggunakan grafik jaringan konvolusional berulang. Pertama, kita akan memuat dataset dan membuat pemisahan spatio-temporal yang sesuai.
Selanjutnya, kita akan mendefinisikan arsitektur jaringan saraf graf berulang yang digunakan untuk menyelesaikan tugas yang diawasi. Konstruktor mendefinisikan lapisan DCRNN dan lapisan maju umpan. Penting untuk dicatat bahwa non-linearitas akhir tidak diintegrasikan ke dalam operasi konvolusional grafik berulang. Prinsip desain ini digunakan secara konsisten dan diambil dari PyTorch Geometric.
Karena itu, kami mendefinisikan non-linearitas ULT antara lapisan berulang dan linier secara manual. Lapisan linier terakhir tidak diikuti oleh non-linieritas saat kita memecahkan masalah regresi. Pada langkah selanjutnya, kita akan mendefinisikan arsitektur jaringan saraf graf berulang yang digunakan untuk menyelesaikan tugas yang diawasi.
Mari kita tentukan model (kita memiliki 4 fitur node) dan latih model pada pemisahan pelatihan (20% pertama dari snapshot temporal) selama 200 epoch. Kami melakukan backpropagate ketika kerugian dari setiap snapshot diakumulasikan. Kami akan menggunakan pengoptimal Adam dengan kecepatan pembelajaran 0,01 . Fungsi tqdm digunakan untuk mengukur kebutuhan waktu proses untuk setiap periode pelatihan.
Dengan menggunakan pisahan, kami akan mengevaluasi kinerja jaringan konvolusional grafik berulang yang terlatih dan menghitung kesalahan kuadrat rata-rata di semua unit spasial dan periode waktu .
Suggested posts
Menerapkan Memori Asosiatif
Ditulis oleh Shashata Sawmya dan Harveer Singh Dengan munculnya jaringan saraf yang besar dan kemajuan teknologi yang terus meningkat yang mendorong metode saat ini hingga batas absolutnya, fokusnya adalah menciptakan alat penampung-semua yang bertujuan untuk melakukan segalanya. Namun, sebagian besar tugas tidak memerlukan jaringan dalam yang sangat intensif tetapi masih sesuatu yang lebih fleksibel daripada model matematika dasar.
Related posts
Apakah Seni Pernah Apolitis?
Kemarin kami menutup pintu pada Kontes Lagu Eurovision tahun ini dengan grand final yang gemerlap dan kacau di mana penyanyi Swedia Loreen membawa pulang trofi, menjadi wanita pertama yang menang dua kali dan membawa mahkota kembali ke Swedia 50 tahun setelah ABBA memenangkan kompetisi dengan "Waterloo". Mereka kemudian menjadi salah satu aksi terbesar dalam kanon musik pop.
Belajar di Minggu Kerja lebih penting daripada yang Anda pikirkan
Kita sering menemukan diri kita berjuang untuk menerapkan apa yang kita tahu baik untuk kita. Dari memberi tahu orang penting bahwa kita mencintai mereka hingga mengingat untuk berbicara seperti bajak laut, akan selalu ada orang yang mengklaim bahwa acara sehari, seminggu, atau sebulan tidak diperlukan karena mereka sudah melakukan hal-hal itu.
Jaringan TV Twitter
Apa yang lama sekarang menjadi baru lagi dan apa yang dulu berkilau berkilau sekarang terasa kusam. Saya tidak berbicara tentang jeans JNCO yang kembali populer di antara anak-anak keren di pusat kota bersama dengan mode akhir 1990-an lainnya.