Inferencia y predicciones con PyTorch
Contenido del curso
Rafael Rivera
Juan Arevalo
Jeison Wu Mitre
Manuel Pérez Terradillos
Mario Alberto Hernández Pintor
Nydia Mejía Zavala
Bryan Castano
Ivan Mercedes
Alex Xiomar Rubio Lopez
Mario Alexander Vargas Celis
Juan Jose Garcia
Realicé la prueba aumentando las épocas, y la mejor fue 300, de ahí en adelante no se vio mejoría en las predicciones
Yo también lo hice de esa manera, se me hizo más facil que tantear el learning rate :)
Increíble!
como el reto suponía ajustar el modelo, lo que hice fue agrandar los steps y he aquí mi resultado:
Si reducimos el lr a 0.002, y aumentamos las épocas a 1330, se aprecia una mejora razonable del aprendizaje, pero también cómo es necesario aumentar las épocas al reducir el lr en este ejemplo sencillo.
Con 160 épocas obtuve este resultado
Con 250 épocas
Hola Chicos.
Este fue mi resultado con epochs = 200.
Yo le di un momentum al SGD de 0.01, eso ayudo tambien al entrenamiento.
Haciendo una prueba con 250 epochs
Una vez que has entrenado un modelo en PyTorch, puedes utilizarlo para realizar predicciones sobre nuevos datos o sobre datos de prueba. Para ello, es fundamental cambiar el modelo a modo de evaluación utilizando model.eval() y asegurarte de que no se están calculando los gradientes con torch.no\_grad(), ya que durante la predicción no es necesario el retropropagación.
Aquí te muestro cómo hacer predicciones con un modelo de PyTorch ya entrenado:
### Ejemplo de código para hacer predicciones
import torch \# Pon el modelo en modo de evaluación model\_1.eval() \# Datos de entrada para la predicción (puede ser cualquier tensor nuevo o de prueba) \# Asegúrate de que X\_nuevos\_datos tiene la misma estructura que los datos de entrenamiento X\_nuevos\_datos = torch.tensor(\[\[0.5, 0.8], \[0.3, 0.9]]) # Ejemplo de nuevos datos (cambia según tu caso) \# Realizar la predicción sin calcular gradientes with torch.no\_grad():   \# Pase hacia adelante para hacer predicciones   predicciones = model\_1(X\_nuevos\_datos) \# Si las predicciones son logits (para clasificación), puedes convertirlas a probabilidades \# Por ejemplo, si la última capa de tu modelo no tiene una función softmax, puedes aplicar una: probs = torch.softmax(predicciones, dim=1) \# O si usas una regresión, puedes imprimir directamente los valores predichos print("Predicciones:") print(predicciones) \# Si es un problema de clasificación, puedes obtener la clase predicha clases\_predichas = torch.argmax(probs, dim=1) print("Clases predichas:", clases\_predichas)
### Explicación del código:
1. **model.eval()**: Cambiamos el modelo al modo de evaluación. Esto asegura que ciertas capas como Dropout o BatchNorm se comporten de manera adecuada durante la predicción.
2. **Datos de entrada**: Usamos X\_nuevos\_datos, que debe tener el mismo formato y dimensiones que los datos de entrenamiento. Si usas normalización o preprocesamiento durante el entrenamiento, asegúrate de aplicarlo también a los datos de predicción.
3. **torch.no\_grad()**: Esto desactiva el cálculo de gradientes, lo que hace que la predicción sea más rápida y eficiente en términos de memoria.
4. **Predicción**: Usamos el modelo para hacer una predicción (model\_1(X\_nuevos\_datos)). Si es un modelo de clasificación, los resultados pueden estar en forma de **logits**, por lo que podemos aplicar torch.softmax() para convertirlos en probabilidades.
5. **Clases predichas** (si es clasificación): Si el modelo es de clasificación, torch.argmax() puede ayudarte a obtener la clase predicha para cada muestra.
### Consideraciones adicionales:
- **Clasificación**: En un problema de clasificación, el modelo típicamente devuelve logits (valores sin procesar antes de la función de activación final), y se pueden convertir a probabilidades con softmax. Luego, las clases predichas se obtienen usando torch.argmax().
- **Regresión**: En problemas de regresión, la salida será el valor predicho directamente, por lo que no necesitas aplicar softmax.
- **Preprocesamiento**: Asegúrate de aplicar el mismo preprocesamiento a los datos de entrada de predicción que aplicaste durante el entrenamiento (como la normalización de características).
Añadí un poco de sesgo a los datos y aumenté el número de steps
