設定要運行AI的裝置

pytorch 提供一些方法來抓取電腦上有的裝置：

• torch.cuda.is_available()：檢查電腦是否有可以使用cuda的硬體，若有會回傳True否則回傳False

• torch.backends.mps.is_available()：檢查電腦是否有Metal GPU，若有會回傳True否則回傳False

# 取得要運算的裝置
# NVIDIA的話會顯示cuda，因為我使用Mac的M2晶片，因此會顯示mps裝置
if torch.cuda.is_available():
    device = "cuda"
elif torch.backends.mps.is_available():
    device = "mps"
else:
    device = "cpu"
print(f"Using {device} device")

使用 Pyorch 來建立自訂的模型

要建立模型我們要先定義類別，此類別繼承 nn.Module，繼承的概念可以理解為複製別人寫好的程式碼，並使用要用到的內容。此處定義的類別包含兩個函數，初始化 __init__ 函數定義了模型的樣子，forward函數定義了前向傳播的過程。

這邊很多專業術語不懂沒關係，後續會慢慢介紹。

# 新增一個自定義的Class
# 繼承 nn.Module
class PeterNeuralNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        # flatten 將輸入的展開成一維的向量(原本圖像可能是2或3維)
        self.flatten = nn.Flatten()
        # 建立神經網路
        # 此處為三層的神經網路
        # Relu為激勵函數
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10)
        )
    
    # 此函數用來前向傳播
    # 此過程就是把圖片輸入到model到最後輸出一個結果
    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

Flatten的示意圖

實例化類別

定義好類別需要將其建立成物件，此時也會選擇要運行此模型的裝置(第一小節有指定要用哪個裝置運行)。

# 實例化 PeterNeuralNetwork 物件到 M2 晶片中
peter_model = PeterNeuralNetwork().to(device)
print(peter_model)

將peter_model輸出到會顯示出模型的架構：

將模型畫出來的樣子大概會是長這樣：

結語

這次我們說明了如何建立模型，昨天、今天章和後面幾天會先把Pytorch整個架構的流程講過一次，後續會說明這些專業術語的用途。

個人學習的心得是第一次一定是矇矇懂懂的，玩過幾次資料就會對整個架構越來越理解，所以別放棄繼續努力吧～

女友的疑問

提問～什麼是層數？

我的解釋：
深度學習是神經網路的一種，透過每一層萃取特徵來做出預測，以圖像處理來說，第一層會找到邊邊角角、第二層可能會找到耳朵的些微形狀，可以參考以下的圖方便理解(每一列都是一層)。

現在的神經網路通常都超過三層，因此又被命名為比較炫砲一點的深度學習。

Reference

深度學習聖經