Tutoriel PyTorch

PyTorch est une bibliothèque d'apprentissage automatique open source principalement utilisée pour la recherche et le développement dans des domaines tels que la vision par ordinateur (CV), le traitement du langage naturel (NLP) et la reconnaissance vocale.

PyTorch a été développé par l'équipe de recherche en IA de Facebook et est largement utilisé dans les communautés de l'apprentissage automatique et de l'apprentissage profond.

PyTorch est connu pour sa flexibilité et sa facilité d'utilisation, ce qui le rend particulièrement adapté à la recherche et au développement en apprentissage profond.

Qui devrait lire ce tutoriel ?

Tant que vous avez des connaissances de base en programmation, vous pouvez lire ce tutoriel. Apprendre PyTorch convient aux personnes intéressées par l'apprentissage profond et l'apprentissage automatique, notamment les scientifiques des données, les ingénieurs, les chercheurs et les étudiants.

Ce que vous devez savoir avant de lire ce tutoriel :

Avant de commencer à lire ce tutoriel, les connaissances de base que vous devez posséder incluent la programmation Python, les mathématiques de base (algèbre linéaire, théorie des probabilités, calcul différentiel et intégral), les concepts de base de l'apprentissage automatique, la connaissance des réseaux de neurones et une certaine capacité à lire l'anglais pour consulter la documentation et les ressources.

  • Bases de la programmation: Ayez des notions d'au moins un langage de programmation, en particulierPython, car PyTorch est principalement écrit en Python.

  • Bases mathématiques: Comprendre les connaissances mathématiques de base telles que l'algèbre linéaire, les probabilités et statistiques, et l'analyse. Ce sont les pierres angulaires pour comprendre et implémenter les algorithmes d'apprentissage automatique.

  • Bases de l'apprentissage automatique: Comprendre les concepts de base de l'apprentissage automatique, tels que l'apprentissage supervisé, l'apprentissage non supervisé, l'apprentissage par renforcement et les métriques d'évaluation de modèle (exactitude, rappel, score F1, etc.).

  • Bases de l'apprentissage profond: Se familiariser avec les concepts de base des réseaux de neurones, notamment les réseaux de neurones à propagation avant, les réseaux de neurones convolutifs (CNN), les réseaux de neurones récurrents (RNN), les réseaux de neurones à mémoire à long terme et à court terme (LSTM), etc.

  • Bases de la vision par ordinateur et du traitement du langage naturel: Si vous prévoyez d'appliquer PyTorch dans ces domaines, avoir des connaissances de base pertinentes sera très utile.

  • Bases de Linux/Unix: Bien que cela ne soit pas obligatoire, comprendre les bases du système d'exploitation Linux/Unix peut vous aider à utiliser plus efficacement les outils et scripts en ligne de commande, en particulier dans le prétraitement des données et l'entraînement des modèles.

  • Capacité de lecture en anglais: Étant donné que de nombreux documents, tutoriels et discussions communautaires sont en anglais, avoir une certaine capacité de lecture en anglais vous aidera à apprendre et à résoudre les problèmes plus efficacement.

Exemple

Voici quelques opérations de base sur les tenseurs dans PyTorch : comment créer des tenseurs aléatoires, effectuer des opérations élément par élément, accéder à des éléments spécifiques et calculer des sommes et des maximums.

Exemple

import torch

# Définir le type de données et le périphérique
dtype = torch.float  # Le type de données du tenseur est un nombre flottant
device = torch.device("cpu")  # Ce calcul est effectué sur CPU

# Créer et afficher deux tenseurs aléatoires a et b
a = torch.randn(2, 3, device=device, dtype=dtype)  # Créer un tenseur aléatoire de taille 2x3
b = torch.randn(2, 3, device=device, dtype=dtype)  # Créer un autre tenseur aléatoire de taille 2x3

print("Tenseur a :")
print(a)

print("Tenseur b :")
print(b)

# Multiplier élément par élément et afficher le résultat
print("Produit élément par élément de a et b :")
print(a * b)

# Afficher la somme de tous les éléments du tenseur a
print("Somme de tous les éléments du tenseur a :")
print(a.sum())

# Afficher l'élément à la ligne 2, colonne 3 du tenseur a (notez que l'indexation commence à 0)
print("Élément à la ligne 2, colonne 3 du tenseur a :")
print(a[1, 2])

# Afficher la valeur maximale dans le tenseur a
print("Valeur maximale dans le tenseur a :")
print(a.max())

Création de tenseurs :

  • torch.randn(2, 3)Créer un tenseur avec 2 lignes et 3 colonnes, rempli de nombres aléatoires (suivant une distribution normale).
  • device=deviceetdtype=dtypeSpécifiez respectivement le dispositif de calcul (CPU ou GPU) et le type de données (virgule flottante).

Opérations sur les tenseurs :

  • a * b: Multiplication élément par élément.
  • a.sum(): Calculer le tenseurala somme de tous les éléments.
  • a[1, 2]: Accéder au tenseuraélément à la ligne 2, colonne 3 (notez que l'indexation commence à 0).
  • a.max(): Obtenir le tenseuravaleur maximale dans.

Sortie : (les valeurs varieront à chaque exécution)

张量 a:
tensor([[-0.1460, -0.3490,  0.3705],
        [-1.1141,  0.7661,  1.0823]])

张量 b:
tensor([[ 0.6901, -0.9663,  0.3634],
        [-0.6538, -0.3728, -1.1323]])

a 和 b 的逐元素乘积:
tensor([[-0.1007,  0.3372,  0.1346],
        [ 0.7284, -0.2856, -1.2256]])

张量 a 所有元素的总和:
tensor(0.6097)

张量 a 第 2 行第 3 列的元素:
tensor(1.0823)

张量 a 中的最大值:
tensor(1.0823)

Liens de référence

Site officiel de PyTorch :https://pytorch.org/

Tutoriel officiel de prise en main de PyTorch :https://pytorch.org/get-started/locally/

Documentation officielle de PyTorch :https://pytorch.org/docs/stable/index.html

Code source de PyTorch :https://github.com/pytorch/pytorch

Autres extensions