1. 데이터셋 불러오기 및 사용자 정의 데이터셋 클래스

설명:

Iris 데이터 셋을 로드하고 PyTorch의 Dataset 클래스를 상속받아 사용자 정의 클래스를 만듭니다.

1. __init__ 메소드에서 데이터를 로드하고 학습 또는 테스트 용도로 분할합니다.
2. __len__ 메소드에서 데이터셋의 전체 길이를 반환합니다.
3. __getitem__ 메소드에서 주어진 인덱스의 샘플과 레이블을 반환합니다.

코드 구현

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from torch.utils.data import DataLoader, Dataset
import torch

class CustomIrisDataset(Dataset):
    def __init__(self, train=True, seed=42):
        # Iris 데이터셋을 로드하고 학습/테스트 데이터로 분할합니다.
        iris_data = load_iris()
        X_train, X_test, y_train, y_test = train_test_split(
            iris_data.data,
            iris_data.target,
            test_size=0.2,
            random_state=seed,
            stratify=iris_data.target
        )
        # 학습 데이터 또는 테스트 데이터를 선택합니다.
        if train:
            self.data = torch.tensor(X_train, dtype=torch.float32)
            self.labels = torch.tensor(y_train, dtype=torch.long)
        else:
            self.data = torch.tensor(X_test, dtype=torch.float32)
            self.labels = torch.tensor(y_test, dtype=torch.long)

    def __len__(self):
        # 데이터셋의 길이를 반환합니다.
        return len(self.data)

    def __getitem__(self, index):
        # 인덱스에 해당하는 데이터와 레이블을 반환합니다.
        return self.data[index], self.labels[index]

# 배치 크기 정의
batch_size = 16
# 학습 데이터 로더 생성
train_dataset = CustomIrisDataset(train=True)
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
# 테스트 데이터 로더 생성
test_dataset = CustomIrisDataset(train=False)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)

선형 레이어 정의

class SimpleLinearLayer:
    def __init__(self, input_dim, output_dim):
        # 가중치와 편향을 초기화합니다.
        self.weights = torch.randn(output_dim, input_dim)
        self.biases = torch.randn(output_dim)

    def __call__(self, inputs):
        # 선형 변환을 수행하여 출력을 계산합니다.
        return torch.matmul(inputs, self.weights.T) + self.biases

    def to_device(self, device):
        # 레이어의 가중치와 편향을 지정된 장치로 이동합니다.
        self.weights = self.weights.to(device)
        self.biases = self.biases.to(device)

    def get_parameters(self):
        # 레이어의 파라미터(가중치와 편향)를 반환합니다.
        return [self.weights, self.biases]

# 선형 레이어를 생성하고 파라미터를 확인합니다.
linear_layer = SimpleLinearLayer(1, 3)
input_tensor = torch.tensor([[1.0]])
print("초기 가중치와 편향:")
print(linear_layer.get_parameters())

# 가중치와 편향을 수동으로 설정합니다.
linear_layer.weights = torch.tensor([[1.0], [2.0], [3.0]])
linear_layer.biases = torch.tensor([1.0, 1.0, 1.0])
print("수정된 가중치와 편향:")
print(linear_layer.get_parameters())

# 선형 레이어를 통해 입력을 전달하고 출력을 확인합니다.
output = linear_layer(input_tensor)
print("출력 결과:")
print(output)

assert output.shape == (1, 3)
assert torch.allclose(output, torch.tensor([[2.0, 3.0, 4.0]]))

ReLU 활성화 함수 정의

class CustomReLU:
    def __init__(self):
        pass

    def __call__(self, inputs):
        # 입력 값 중 0보다 작은 값을 0으로 변환하여 반환합니다.
        return torch.clamp(inputs, min=0)

# ReLU 활성화 함수의 동작을 확인합니다.
relu = CustomReLU()
sample_input = torch.linspace(-0.5, 0.5, 11)
print("ReLU 적용 전:")
print(sample_input)
output_relu = relu(sample_input)
print("ReLU 적용 후:")
print(output_relu)

import matplotlib.pyplot as plt
# ReLU 결과를 시각화합니다.
plt.plot(sample_input, sample_input, label="Input")
plt.plot(sample_input, output_relu, label="ReLU Output")
plt.legend()
plt.show()

assert torch.allclose(output_relu, torch.tensor([0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.1, 0.2, 0.3, 0.4, 0.5]))