Nota: (PyTorch es un Frameworks de Aprendizaje-Automático de código abierto que se especializa en cálculos de tensor, diferenciación automática y aceleración de GPU, simplifica el camino desde la creación de modelo de investigación hasta la implementación en producción).
Que es Frameworks-Pytorch
-. PyTorch es un marco de Aprendizaje-Automático basado en la Biblioteca-Torch , utilizado para aplicaciones como visión por computadora y procesamiento de lenguaje natural, Es un software gratuito y de código abierto publicado bajo la licencia BSD. la interfaz de Python es la mas coseguidad y es el enfoque principal del desarrollo. Tenemos un par de características de alto nivel como: “Computación de tensor como NumPy con fuerte aceleración a través de unidades de procesamiento de gráficos GPU” y “Redes neuronales profundas construidas sobre un sistema de diferenciación automática de bases de datos”.
Nota: NumPy librería especializada en el cálculo numérico y el análisis de datos, preparada para un gran volumen de datos, los Objetos (arrays) que permite representar colecciones de datos de un mismo tipo en varias dimensiones, lo hace especialmente interesante para el procesamiento de vectores y matrices de grandes dimensiones.
Nota: Las GPU son eficientes en la manipulación de gráficos y procesamiento de imágenes. Su estructura paralela los hace más eficientes que las unidades centrales de procesamiento CPU de uso general para algoritmos que procesan grandes bloques de datos en paralelo.
Tensores de PyTorch:
- PyTorch tiene una clase de tensor especifica el “torch.Tensor” para almacenar y operar con Arrays de números rectangulares, homogéneos y multidimensionales. Los Tensores de PyTorch son similares a los Vectores de NumPy, pero también se pueden operar en una GPU de Nvidia compatible con CUDA. Es importante decir que PyTorch pude usar varios subtipos de Tensores.
Bibliotecas–PyTorch:
- Torchvision para el reconocimiento de imágenes.
- Torchtext para el reconocimiento de texto,
- Torchaudio para el reconocimiento de voz y audio.
Módulos:
- Autograd module: PyTorch utiliza un método llamado diferenciación automática. Se registra las operaciones que se han hecho y posteriormente; las reproduce hacia atrás para calcular los gradientes. Este método es especialmente potente cuando se están construyendo redes neuronales para ahorrar tiempo en una época en la que calcular la diferenciación de los parámetros.
Nota: Cada ciclo de corrección de propagación hacia atrás y hacia adelante para reducir la pérdida se denomina Época. La propagación hacia atrás consiste en determinar las mejores ponderaciones y sesgos de entrada para obtener un resultado más preciso o lo que se llama minimizar la pérdida.
- Optim module: torch.optim es un módulo que implementa varios algoritmos de optimización que se utilizan para construir redes neuronales. De aquí usaremos el optimizador para entrenar la red neuronal y modificar sus pesos.
- nn module: PyTorch Autograd hace que sea fácil definir gráficos computacionales y coger distintos grados, pero Raw Autograd es un nivel demasiado bajo para definir redes neuronales complejas. torch.nn Es la librería de redes neuronales que utilizaremos para crear nuestro modelo. El módulo nn, ayudar a crear redes neuronales más complejas.
- torch.autograd: En concreto el módulo Variable de esta librería que se encarga de manejar las operaciones de los tensores.
- torchvision.datasets: El módulo que ayudará a cargar el conjunto de datos que vamos a utilizar.
- torchvision.transforms: Este módulo contiene una serie de funciones que nos ayudarán modificando el dataset.
Recopilando:
Pytorch es un framework de redes neuronales, un conjunto de librerías y herramientas que nos hacen más fácil el diseñar, entrenar y poner en producción nuestros modelos de Deep-Learning.
- Referencias: Entorno-Moreluz
- Referencias: Para-saber-mas