【深層学習×Python】PyTorchで始めるディープラーニング実践入門｜プログラムの書き方・テンプレートの解説

""" ライブラリ読込 """
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
import numpy as np

""" GPU設定 """
# GPUが利用できる場合はGPUを利用し、利用不可の場合はCPUを利用するための記述
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")


""" (1)データの準備  """
# XXXX データをここに記述 XXXXX
# XXXX データをここに記述 XXXXX
# XXXX データをここに記述 XXXXX
# XXXX データをここに記述 XXXXX



""" (2)モデルクラスの登録 """
# nnクラスの関数(初期設定)を下記に記述
class SampleModel(nn.Module):
    
    # ユニット・層の数・活性化関数等ニューラルネットワークの模型となるものを下記に記述
    def __init__(self):
        super(SampleModel, self).__init__()
        # XXXXXXXXXXX
        # XXXXXXXXXXX
        # XXXXXXXXXXX
    
    # 順方向の計算処理の流れを下記に記述
    def forward(self,・・・):
        # XXXXXXXXXXX
        # XXXXXXXXXXX
        # XXXXXXXXXXX
        
  
      
""" (3)モデルとパラメータ探索アルゴリズムの設定 """
model     = SampleModel().to(device)  # モデルのインスタンス
optimizer = "XXXX"                    # パラメータ探索アルゴリズム
criterion = "XXXX"                    # 損失関数



""" (4)モデル学習 """
repeat = "XXX"      # 学習回数を設定(整数)

for epoch in range(repeat):  
    ex_var = "XXX"  # 説明変数を作成
    target = "XXX"  # 目的変数を作成
    
    # モデルのforward関数を用いた順伝播の予測(モデルの出力値算出)
    output = model(ex_var)  
    # 上記出力値(output)と教師データ(target)を損失関数に渡し、損失関数を計算
    loss = criterion(output, target)
    # 勾配を初期化
    optimizer.zero_grad()
    # 損失関数の値から勾配を求め誤差逆伝播による学習を実行
    loss.backward()
    # 学習結果に基づきパラメータを更新
    optimizer.step()


""" (5) モデルを保存/呼び出し """
torch.save(model.state_dict(), "XXX.model")     # モデル保存する場合
model.load_state_dict(torch.load("XXX.model"))  # モデルを呼び出す場合


""" (6)モデルの性能評価 """
model.eval()
with torch.no_grad():
    # 性能評価
    # XXXXXXXXX
    # XXXXXXXXX