PyTorch

import torch import torch.nn as nn import torch.optim as optim import numpy as np from torch.utils.data import DataLoader, TensorDataset # 가상 데이터셋 생성 np.random.seed(0) # 재현성을 위해 난수 시드 설정 train_data = np.random.rand(1000, 10).astype(np.float32) # 1000개의 샘플, 각 샘플은 10개의 특성을 가짐 train_labels = np.random.randint(2, size=(1000, 1)).astype(np.float32) # 1000개의 이진 레이블 test_data = np.random.rand(100, 10).astype(np.float32) # 100개의 테스트 샘플 test_labels = np.random.randint(2, size=(100, 1)).astype(np.float32) # 100개의 테스트 이진 레이블 # 텐서 데이터셋 및 데이터 로더 생성 train_dataset = TensorDataset(torch.tensor(train_data), torch.tensor(train_labels)) test_dataset = TensorDataset(torch.tensor(test_data), torch.tensor(test_labels)) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False) # 모델 정의 class SimpleNN(nn.Module): def __init__(self): super(SimpleNN, self).__init__() self.fc1 = nn.Linear(10, 16) # 은닉층: 16개의 뉴런 self.fc2 = nn.Linear(16, 1) # 출력층: 1개의 뉴런 def forward(self, x): x = torch.relu(self.fc1(x)) # ReLU 활성화 함수 x = torch.sigmoid(self.fc2(x)) # 시그모이드 활성화 함수 return x model = SimpleNN() # 손실 함수 및 옵티마이저 정의 criterion = nn.BCELoss() # binary cross entropy loss optimizer = optim.Adam(model.parameters(), lr=0.001) # Adam 옵티마이저 # 모델 훈련 for epoch in range(10): # 10 epochs model.train() for batch_data, batch_labels in train_loader: optimizer.zero_grad() outputs = model(batch_data).squeeze() loss = criterion(outputs, batch_labels.squeeze()) loss.backward() optimizer.step() print(f"Epoch {epoch+1}, Loss: {loss.item()}") # 모델 평가 model.eval() correct = 0 total = 0 with torch.no_grad(): for batch_data, batch_labels in test_loader: outputs = model(batch_data).squeeze() predicted = (outputs > 0.5).float() total += batch_labels.size(0) correct += (predicted == batch_labels.squeeze()).sum().item() test_acc = correct / total print(f"Test accuracy: {test_acc}") # 예측하기 model.eval() with torch.no_grad(): sample_output = model(torch.tensor(test_data[0])).item() print(f"Prediction for the first test sample: {sample_output}")