
Углубленное знакомство с PyTorch
415
>>> loss_fn = nn.BCELoss()
>>> optimizer = torch.optim.SGD(model.parameters(), lr=0.015)
>>> history = train(model, num_epochs, train_dl, x_valid, y_valid)
Далее, помимо истории обучения, мы воспользуемся библиотекой mlxtend для визуали-
зации проверочных данных и разделяющей границы.
Библиотеку mlxtend можно установить через
conda
или
pip
следующим образом:
conda install mlxtend -c conda-forge
pip install mlxtend
Чтобы вычислить разделяющую границу модели, нам нужно добавить метод
predict()
в класс
MyModule
:
>>> def predict(self, x):
... x = torch.tensor(x, dtype=torch.float32)
... pred = self.forward(x)[:, ...