PyTorch로 하는 Radio Signals 분류

개요

• 이번 테스크에서는 Sepectrogram이 무엇인지 알 수 있다.
• Sepectrogram의 이미지가 입력값으로 주어진다. 오디오가 있을 때마다 파일 또는 오디오 신호를 Sepectrogram을 사용하여 나타낸다.
• 이론적인 부분에서, Covolutional Neural Network의 작동과 Covolutional Neural Network가 무엇인지 분명히 한다.
• Optimization이 어떻게 작동하는지, Gradient decent나 adam과 같은 최적화 유형을 알아야 한다.
• Python 프로그래밍과 PyTorch의 기본기가 명확해야 한다.

Imports

!pip install timm

Installing collected packages: huggingface-hub, timm
Successfully installed huggingface-hub-0.12.1 timm-0.6.12

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt 

import torch 
from torch import nn, optim 
from torch.utils.data import Dataset, DataLoader 

from torchvision import transforms as T

import timm

Configurations

 TRAIN_CSV = 'train.csv'
 VALID_CSV = 'valid.csv'

 BATCH_SIZE = 128
 DEVICE = 'cuda'

 MODEL_NAME = 'efficientnet_b0'

 LR = 0.001
 EPOCHS = 15

• 각 컬럼은 스펙트로그램 이미지의 각 픽셀 값을 나타낸다.
• 스펙트로그램 이미지를 1차원 벡터로 convert 할 것이다.

df_train = pd.read_csv(TRAIN_CSV)
df_valid = pd.read_csv(VALID_CSV)

df_train.head()

	0	1	2	3	4	5	6	7	8	9	...	8183	8184	8185	8186	8187	8188	8189	8190	8191	labels
0	0.631373	0.623529	0.713726	0.705882	0.658824	0.666667	0.654902	0.635294	0.647059	0.705882	...	0.611765	0.650980	0.658824	0.600000	0.603922	0.654902	0.694118	0.658824	0.666667	Squiggle
1	0.725490	0.752941	0.749020	0.701961	0.690196	0.721569	0.709804	0.745098	0.654902	0.721569	...	0.698039	0.721569	0.686275	0.713726	0.682353	0.690196	0.698039	0.701961	0.725490	Squiggle
2	0.717647	0.701961	0.713726	0.733333	0.705882	0.717647	0.725490	0.682353	0.717647	0.674510	...	0.694118	0.705882	0.682353	0.639216	0.713726	0.670588	0.678431	0.737255	0.674510	Squiggle
3	0.705882	0.674510	0.654902	0.678431	0.666667	0.662745	0.678431	0.662745	0.686275	0.686275	...	0.662745	0.631373	0.643137	0.705882	0.662745	0.705882	0.666667	0.654902	0.631373	Squiggle
4	0.647059	0.729412	0.701961	0.674510	0.611765	0.698039	0.713726	0.662745	0.701961	0.674510	...	0.670588	0.705882	0.674510	0.721569	0.694118	0.674510	0.705882	0.749020	0.729412	Squiggle

5 rows × 8193 columns