Hogyan kell a PyTorch-ot használni notebookban?

A PyTorch vezető nyílt forráskódú gépi tanulási könyvtárré nőtte ki magát, amelyet a kutatók és a fejlesztők kedveltek dinamikus számítási grafikonjai és könnyű használhatósága miatt. Notebook-szállítóként egyre nagyobb keresletet tapasztaltam azon ügyfelek részéről, akik notebookokat szeretnének kísérletezni a PyTorch-al. Ebben a blogban végigvezetem a PyTorch notebook környezetben való használatának folyamatán, legyen szó akár fizikaiA6 Leather Journalötletek feljegyzéséhez vagy egy digitális jegyzetfüzetet, például a Jupyter Notebookot a tényleges kódoláshoz.

Miért érdemes Notebookot használni a PyTorch számára?

A notebookok egyedülálló előnyt kínálnak a PyTorch alkalmazásban. Interaktív környezetet biztosítanak, ahol kis, kezelhető darabokban írhat, futtathat és módosíthat kódot. Szöveges magyarázatokat, vizualizációkat és leíró cellákat is hozzáadhat gondolati folyamatának dokumentálásához. Ez teszi a notebookokat ideális eszközzé a prototípusok készítéséhez, az adatok feltárásához és a munkája másokkal való megosztásához.

Környezetének beállítása

Mielőtt elkezdené használni a PyTorch-ot egy notebookban, be kell állítania a környezetet. Íme a lépések:

1. Telepítse a Python-t

A PyTorch egy Python-könyvtár, ezért telepítenie kell a Python-t a rendszerére. A Python legújabb verzióját letöltheti a hivatalos Python webhelyről (python.org). Javasoljuk a Python 3.6 vagy újabb verzióját.

2. Telepítse a PyTorch programot

A PyTorch telepítésének többféle módja van. A legegyszerűbb módja a PyTorch hivatalos telepítési parancsának használata, amelyet a PyTorch webhelyen (pytorch.org) találhat meg. A parancs az operációs rendszertől, a CUDA-verziótól (ha GPU-gyorsítást kíván használni) és a preferált csomagkezelőtől (pip vagy conda) függően változhat.

Például, ha csak CPU rendszeren használja a pip parancsot, akkor a következő parancsot használhatja:

pip install torch torchvision

3. Telepítsen egy notebook környezetet

Számos notebook környezet áll rendelkezésre, de a Jupyter Notebook a legnépszerűbb. A Jupyter Notebookot a pip segítségével telepítheti:

pip telepítse a jupytert

A telepítés után elindíthatja a Jupyter Notebookot a következő parancs futtatásával a terminálon:

jupyter notebook

Ezzel egy új böngészőablak nyílik meg a Jupyter Notebook irányítópulttal, ahol létrehozhatja és kezelheti jegyzetfüzeteit.

A PyTorch használatának megkezdése notebookban

Most, hogy a környezet be van állítva, kezdjük el használni a PyTorch-ot egy notebookban.

1. PyTorch importálása

Bármely PyTorch-projekt első lépése a könyvtár importálása. A Jupyter Notebook cellában ezt a következőképpen teheti meg:

import fáklya

Más hasznos könyvtárakat is importálhat, mint plfáklyalátásszámítógépes látási feladatokhoz:

import torchvision import torchvision.transforms as transforms

2. Tenzorokkal való munka

A tenzorok a PyTorch alapvető adatszerkezete. Hasonlóak a NumPy tömbökhöz, de a gyorsabb számítás érdekében GPU-kon is használhatók. A PyTorch-ban a következőképpen hozhat létre tenzort:

# Hozzon létre egy 2x3-as tenzort x = torch.tensor([[1, 2, 3], [4, 5, 6]]) print(x)

A tenzorokon különféle műveleteket hajthat végre, például összeadást, szorzást és átformálást. Például:

# Adjon hozzá két tenzort y = torch.tensor([[7, 8, 9], [10, 11, 12]]) z = x + y print(z)

3. Egyszerű neurális hálózat felépítése

A PyTorch egyik leggyakoribb felhasználási esete a neurális hálózatok építése. Íme egy egyszerű példa egy neurális hálózatra, amely a kézzel írt számjegyek osztályozására szolgál az MNIST adatkészlet használatával:

import torch.nn as nn import torch.nn.functional as F # Határozzon meg egy egyszerű neurális hálózati osztályt Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(784, 128) =1.nfc.8 forward(self, x): x = x.view(-1, 784) x = F.relu(self.fc1(x)) x = self.fc2(x) return x net = Net() # Az MNIST adatkészlet betöltése transzformáció = átalakul.Compose([transforms.ToTensor(), transzformálja.Normalize(](0.5,)) = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True) # Határozza meg a veszteségfüggvényt és az optimalizáló feltételt torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9) # Hálózat betanítása az epoch-ra in range(2): running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() outputs = data optimizer.zero_grad() outputs) = loss(inputteri) loss.backward() optimizer.step() running_loss += loss.item() if i % 200 == 199: print(f'[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 200:.3f}') running_loss = 0.0 Training('F)

Jegyzetfüzetek használata dokumentáláshoz és kísérletezéshez

Notebook beszállítóként megértem a notebookok használatának fontosságát nemcsak kódolásra, hanem dokumentálásra és kísérletezésre is. A Jupyter Notebook jelölőcelláival részletes magyarázatot írhat a kódról, dokumentálhatja kísérleteit, és megoszthatja eredményeit.

Például írhat egy leíró cellát, hogy elmagyarázza az imént felépített neurális hálózat célját:

### A neurális hálózat magyarázata Az általunk épített neurális hálózat egy egyszerű feed-forward hálózat, két teljesen összekapcsolt réteggel. Az első réteg 784-es méretű bemenetet vesz (egy 28x28-as kézzel írt számjegy lapított képe), és 128 rejtett egységre képezi le. A második réteg a 128 rejtett egységet 10 kimeneti egységre képezi le, ami megfelel a 10 számjegyű osztályoknak (0-9). Az első rétegben a ReLU aktiválási függvényt használtuk a nemlinearitás bevezetésére, a kimeneti réteg pedig implicit módon a softmax függvényt használja a `CrossEntropyLoss` függvényen keresztül.

A jegyzetfüzetek segítségével kísérletezhet különféle hiperparaméterekkel, például tanulási sebességgel, kötegmérettel és rejtett egységek számával. A kísérletek jegyzetfüzetben történő nyomon követésével könnyedén összehasonlíthatja az eredményeket, és kiválaszthatja a legjobb konfigurációt.

Notebook kínálatunk

Notebook beszállítóként a PyTorch fejlesztéshez használható notebookok széles választékát kínáljuk. Akár szüksége van aSpirális jegyzetfüzet kemény fedelesa kódolási munkamenetek során történő jegyzetelésre vagyRagadós átlátszó jegyzeteka fontos kódrészletek megjelölésére, mi gondoskodunk róla.

Jegyzetfüzeteink kiváló minőségű anyagokból készülnek, és úgy tervezték, hogy megfeleljenek a szakemberek és a hallgatók igényeinek. Különböző méretben, színben és stílusban kaphatók, így kiválaszthatja az igényeinek megfelelőt.

Beszerzésért forduljon hozzánk

Ha szeretné megvásárolni notebookjainkat PyTorch-projektjeihez vagy bármilyen más irodai szükséglethez, szívesen fogadjuk. Lépjen kapcsolatba velünk, hogy megkezdje a beszerzési megbeszélést, és megtalálja az Ön igényeinek leginkább megfelelő notebook megoldást.

Hivatkozások

• PyTorch hivatalos dokumentációja (pytorch.org/docs)
• A Jupyter Notebook hivatalos dokumentációja (jupyter.org/documentation)
• Goodfellow, I., Bengio, Y. és Courville, A. (2016). Mély tanulás. MIT Press.