[Apprentissage rapide] Introduction à Pytorch ①: Essayez de gérer la torche

2020er mars 4

Qu'est-ce que PyTorch?

PyTorch est un framework d'apprentissage en profondeur développé par Facebook. Comparé à TensorFlow et keras, la population d'utilisateurs est petite, mais il dispose d'un format Définir par exécution qui permet une construction de réseau flexible, et augmente rapidement maintenant.À l'origine, c'était la fourche de Chainer, mais comme elle était largement répandue aux chercheurs en Europe et aux États-Unis à l'avance, il semble que le côté PFN ait maintenant arrêté Chainer et coopéré et rejoint le développement de PyTorch.

PyTorch présente les deux fonctionnalités suivantes.

・ "Torch" équivalent à NumPy qui peut être accéléré par GPU
・ Plateforme d'apprentissage en profondeur flexible et rapide de type DefineByRun

Comment installer PyTorch à partir de cette page officielle:https://pytorch.org/
Les détails, etc. sont traités dans de nombreux articles japonais (Référence:Premiers pas avec PyTorch!6 connaissances de base à connaître sur la popularité croissante de PyTorch)

Comment utiliser la torche

Dans Pytorch, même si vous entrez des données de type numpy, elles ne peuvent pas être calculées et elles sont calculées à l'aide du type de données torch.tensor.Par conséquent, il est nécessaire de créer et de convertir les données avec le type torch.tensor.C'est presque comme numpy, mais il est capable d'opérations rapides sur le GPU de Nvidia.

De plus, le module de torche contient une structure de données de tenseur multidimensionnel (comme une matrice d'ordre élevé), qui permet un calcul de tenseur et une conversion de type efficaces.

En 2]:
・ Vous pouvez vérifier la taille du tenseur avec .size ()
-Les éléments de la matrice peuvent être extraits en découpant la liste et peuvent être traités de la même manière qu'un tableau numpy.
En 3]: Des opérations de base telles que le reste d'addition / soustraction et la différenciation peuvent être effectuées
En 4]: Changez la forme du tableau avec .view ()
En 5]: Peut être converti vers et depuis numpy
En 6]: Pour calculer sur GPU, passez avec .to (appareil)