Merge pull request #4 from keon/tests

add sanity tests for chapter 3 and 4

Author: keon

.travis.yml

@@ -19,7 +19,7 @@ install:
     # - flake8 . --count --exit-zero --max-complexity=10 --max-line-length=127 --statistics
 script:
     - python compile_notebooks.py
-    - pytest .
+    - travis_wait 30 pytest .
     # Check python install package
     # - pip install -e .
     # - tox -e $TOX_ENV

03-파이토치로_구현하는_신경망_ANN/autograd_basic.py

@@ -3,10 +3,13 @@
 
 import torch
 
+
 w = torch.tensor(1.0, requires_grad=True)
 
+
 a = w*3
 l = a**2
 l.backward()
 print(w.grad)
 print('l을 w로 미분한 값은 {}'.format(w.grad))
+

03-파이토치로_구현하는_신경망_ANN/basic_neural_network.py

@@ -10,10 +10,12 @@
 import matplotlib.pyplot as plt
 import torch.nn.functional as F
 
+
 n_dim = 2
 x_train, y_train = make_blobs(n_samples=80, n_features=n_dim, centers=[[1,1],[-1,-1],[1,-1],[-1,1]], shuffle=True, cluster_std=0.3)
 x_test, y_test = make_blobs(n_samples=20, n_features=n_dim, centers=[[1,1],[-1,-1],[1,-1],[-1,1]], shuffle=True, cluster_std=0.3)
 
+
 def label_map(y_, from_, to_):
     y = numpy.copy(y_)
     for f in from_:
@@ -25,6 +27,7 @@ def label_map(y_, from_, to_):
 y_test = label_map(y_test, [0, 1], 0)
 y_test = label_map(y_test, [2, 3], 1)
 
+
 def vis_data(x,y = None, c = 'r'):
     if y is None:
         y = [None] * len(x)
@@ -38,12 +41,14 @@ def vis_data(x,y = None, c = 'r'):
 vis_data(x_train, y_train, c='r')
 plt.show()
 
+
 x_train = torch.FloatTensor(x_train)
 print(x_train.shape)
 x_test = torch.FloatTensor(x_test)
 y_train = torch.FloatTensor(y_train)
 y_test = torch.FloatTensor(y_test)
 
+
 class NeuralNet(torch.nn.Module):
         def __init__(self, input_size, hidden_size):
             super(NeuralNet, self).__init__()
@@ -61,16 +66,19 @@ def forward(self, input_tensor):
             output = self.sigmoid(linear2)
             return output
 
+
 model = NeuralNet(2, 5)
 learning_rate = 0.03
 criterion = torch.nn.BCELoss()
 epochs = 2000
 optimizer = torch.optim.SGD(model.parameters(), lr = learning_rate)
 
+
 model.eval()
 test_loss_before = criterion(model(x_test).squeeze(), y_test)
 print('Before Training, test loss is {}'.format(test_loss_before.item()))
 
+
 # 오차값이 0.73 이 나왔습니다. 이정도의 오차를 가진 모델은 사실상 분류하는 능력이 없다고 봐도 무방합니다.
 # 자, 이제 드디어 인공신경망을 학습시켜 퍼포먼스를 향상시켜 보겠습니다.
 
@@ -84,20 +92,24 @@ def forward(self, input_tensor):
     train_loss.backward()
     optimizer.step()
 
+
 model.eval()
 test_loss = criterion(model(x_test).squeeze(), y_test) 
 print('After Training, test loss is {}'.format(test_loss.item()))
 
+
 # 학습을 하기 전과 비교했을때 현저하게 줄어든 오차값을 확인 하실 수 있습니다.
 # 지금까지 인공신경망을 구현하고 학습시켜 보았습니다.
 # 이제 학습된 모델을 .pt 파일로 저장해 보겠습니다.
 
 torch.save(model.state_dict(), './model.pt')
 print('state_dict format of the model: {}'.format(model.state_dict()))
 
+
 # `save()` 를 실행하고 나면 학습된 신경망의 가중치를 내포하는 model.pt 라는 파일이 생성됩니다. 아래 코드처럼 새로운 신경망 객체에 model.pt 속의 가중치값을 입력시키는 것 또한 가능합니다.
 
 new_model = NeuralNet(2, 5)
 new_model.load_state_dict(torch.load('./model.pt'))
 new_model.eval()
 print('벡터 [-1, 1]이 레이블 1을 가질 확률은 {}'.format(new_model(torch.FloatTensor([-1,1])).item()))
+

03-파이토치로_구현하는_신경망_ANN/image_recovery.py

@@ -11,11 +11,14 @@
 import pickle
 import matplotlib.pyplot as plt
 
+
 shp_original_img = (100, 100)
 broken_image =  torch.FloatTensor( pickle.load(open('./broken_image_t.p', 'rb'),encoding='latin1' ) )
 
+
 plt.imshow(broken_image.view(100,100)) 
 
+
 def weird_function(x, n_iter=5):
     h = x    
     filt = torch.tensor([-1./3, 1./3, -1./3])
@@ -28,11 +31,14 @@ def weird_function(x, n_iter=5):
             h = torch.cat( (h[h.shape[0]//2:],h[:h.shape[0]//2]), 0  )
     return h
 
+
 def distance_loss(hypothesis, broken_image):    
     return torch.dist(hypothesis, broken_image)
 
+
 random_tensor = torch.randn(10000, dtype = torch.float)
 
+
 lr = 0.8
 for i in range(0,20000):
     random_tensor.requires_grad_(True)
@@ -44,4 +50,6 @@ def distance_loss(hypothesis, broken_image):
     if i % 1000 == 0:
         print('Loss at {} = {}'.format(i, loss.item()))
 
+
 plt.imshow(random_tensor.view(100,100).data)
+

03-파이토치로_구현하는_신경망_ANN/tensor_basic.py

@@ -12,28 +12,33 @@
 print("Shape:", x.shape)
 print("랭크(차원):", x.ndimension())
 
+
 # 랭크 늘리기
 x = torch.unsqueeze(x, 0)
 print(x)
 print("Size:", x.size())
 print("Shape:", x.shape)
 print("랭크(차원):", x.ndimension())
 
+
 # 랭크 줄이기
 x = torch.squeeze(x)
 print(x)
 print("Size:", x.size())
 print("Shape:", x.shape) #[3, 3] 2개의 차원에 각 3개의 원소를 가진 텐서
 print("랭크(차원):", x.ndimension())
 
+
 # 랭크의 형태 바꾸기
 x = x.view(9)
 print(x)
 print("Size:", x.size())
 print("Shape:", x.shape)
 print("랭크(차원):", x.ndimension())
 
+
 try:
     x = x.view(2,4)
 except Exception as e:
     print(e) #에러 출력
+

03-파이토치로_구현하는_신경망_ANN/tensor_operation.py

@@ -13,14 +13,18 @@
 print("w:", w)
 print("x:", x)
 
+
 b = torch.randn(5,2, dtype=torch.float)
 print("b:", b.size())
 print("b:", b)
 
+
 wx = torch.mm(w,x) # w의 행은 5, x의 열은 2, 즉 shape는 [5, 2]입니다.
 print("wx size:", wx.size())
 print("wx:", wx)
 
+
 result = wx + b	
 print("result size:", result.size()) 
 print("result:", result) 
+

04-딥러닝으로_패션_아이템_구분하기_DNN/fashion_mnist.ipynb

@@ -16,7 +16,6 @@
     "from torchvision import datasets, transforms, utils\n",
     "from torch.utils import data\n",
     "\n",
-    "%matplotlib inline\n",
     "import matplotlib.pyplot as plt\n",
     "import numpy as np"
    ]
@@ -231,21 +230,21 @@
  ],
  "metadata": {
   "kernelspec": {
-   "display_name": "Python 3",
+   "display_name": "Python 2",
    "language": "python",
-   "name": "python3"
+   "name": "python2"
   },
   "language_info": {
    "codemirror_mode": {
     "name": "ipython",
-    "version": 3
+    "version": 2
    },
    "file_extension": ".py",
    "mimetype": "text/x-python",
    "name": "python",
    "nbconvert_exporter": "python",
-   "pygments_lexer": "ipython3",
-   "version": "3.7.0"
+   "pygments_lexer": "ipython2",
+   "version": "2.7.16"
   }
  },
  "nbformat": 4,

04-딥러닝으로_패션_아이템_구분하기_DNN/fashion_mnist.py

@@ -6,16 +6,17 @@
 from torchvision import datasets, transforms, utils
 from torch.utils import data
 
-%matplotlib inline
 import matplotlib.pyplot as plt
 import numpy as np
 
+
 # ## Fashion MNIST 데이터셋
 
 transform = transforms.Compose([
     transforms.ToTensor()
 ])
 
+
 trainset = datasets.FashionMNIST(
     root      = './.data/', 
     train     = True,
@@ -29,6 +30,7 @@
     transform = transform
 )
 
+
 batch_size = 16
 
 train_loader = data.DataLoader(
@@ -40,18 +42,22 @@
     batch_size  = batch_size
 )
 
+
 dataiter       = iter(train_loader)
 images, labels = next(dataiter)
 
+
 # ## 멀리서 살펴보기
 img   = utils.make_grid(images, padding=0)
 npimg = img.numpy()
 plt.figure(figsize=(10, 7))
 plt.imshow(np.transpose(npimg, (1,2,0)))
 plt.show()
 
+
 print(labels)
 
+
 CLASSES = {
     0: 'T-shirt/top',
     1: 'Trouser',
@@ -70,6 +76,7 @@
     index = label.item()
     print(CLASSES[index])
 
+
 # ## 가까이서 살펴보기
 idx = 1
 
@@ -79,3 +86,4 @@
 print(item_npimg.shape)
 plt.imshow(item_npimg, cmap='gray')
 plt.show()
+

04-딥러닝으로_패션_아이템_구분하기_DNN/neural-network.ipynb renamed to 04-딥러닝으로_패션_아이템_구분하기_DNN/neural_network.ipynb

@@ -281,21 +281,21 @@
  ],
  "metadata": {
   "kernelspec": {
-   "display_name": "Python 3",
+   "display_name": "Python 2",
    "language": "python",
-   "name": "python3"
+   "name": "python2"
   },
   "language_info": {
    "codemirror_mode": {
     "name": "ipython",
-    "version": 3
+    "version": 2
    },
    "file_extension": ".py",
    "mimetype": "text/x-python",
    "name": "python",
    "nbconvert_exporter": "python",
-   "pygments_lexer": "ipython3",
-   "version": "3.7.0"
+   "pygments_lexer": "ipython2",
+   "version": "2.7.16"
   }
  },
  "nbformat": 4,

04-딥러닝으로_패션_아이템_구분하기_DNN/neural-network.py renamed to 04-딥러닝으로_패션_아이템_구분하기_DNN/neural_network.py

@@ -10,18 +10,22 @@
 import torch.nn.functional as F
 from torchvision import transforms, datasets
 
+
 USE_CUDA = torch.cuda.is_available()
 DEVICE = torch.device("cuda" if USE_CUDA else "cpu")
 
+
 EPOCHS = 30
 BATCH_SIZE = 64
 
+
 # ## 데이터셋 불러오기
 
 transform = transforms.Compose([
     transforms.ToTensor()
 ])
 
+
 trainset = datasets.FashionMNIST(
     root      = './.data/', 
     train     = True,
@@ -46,6 +50,7 @@
     shuffle     = True,
 )
 
+
 # ## 뉴럴넷으로 Fashion MNIST 학습하기
 # 입력 `x` 는 `[배치크기, 색, 높이, 넓이]`로 이루어져 있습니다.
 # `x.size()`를 해보면 `[64, 1, 28, 28]`이라고 표시되는 것을 보실 수 있습니다.
@@ -67,6 +72,7 @@ def forward(self, x):
         x = self.fc3(x)
         return x
 
+
 # ## 모델 준비하기
 # `to()` 함수는 모델의 파라미터들을 지정한 곳으로 보내는 역할을 합니다.
 # 일반적으로 CPU 1개만 사용할 경우 필요는 없지만,
@@ -77,6 +83,7 @@ def forward(self, x):
 model        = Net().to(DEVICE)
 optimizer    = optim.SGD(model.parameters(), lr=0.01)
 
+
 # ## 학습하기
 
 def train(model, train_loader, optimizer):
@@ -90,6 +97,7 @@ def train(model, train_loader, optimizer):
         loss.backward()
         optimizer.step()
 
+
 # ## 테스트하기
 
 def evaluate(model, test_loader):
@@ -114,6 +122,7 @@ def evaluate(model, test_loader):
     test_accuracy = 100. * correct / len(test_loader.dataset)
     return test_loss, test_accuracy
 
+
 # ## 코드 돌려보기
 # 자, 이제 모든 준비가 끝났습니다. 코드를 돌려서 실제로 훈련이 되는지 확인해봅시다!
 
@@ -123,3 +132,4 @@ def evaluate(model, test_loader):
 
     print('[{}] Test Loss: {:.4f}, Accuracy: {:.2f}%'.format(
           epoch, test_loss, test_accuracy))
+