Come utilizzare PyTorch in un notebook?

PyTorch è emersa come una delle principali librerie di machine learning open source, preferita da ricercatori e sviluppatori per i suoi grafici computazionali dinamici e la facilità d'uso. In qualità di fornitore di notebook, ho notato una domanda crescente da parte dei clienti che desiderano utilizzare i notebook per sperimentare PyTorch. In questo blog ti guiderò attraverso il processo di utilizzo di PyTorch in un ambiente notebook, sia esso fisicoDiario in pelle A6per annotare idee o un taccuino digitale come Jupyter Notebook per la codifica vera e propria.

Perché utilizzare un notebook per PyTorch?

I notebook offrono un vantaggio unico quando si lavora con PyTorch. Forniscono un ambiente interattivo in cui è possibile scrivere, eseguire e modificare il codice in blocchi piccoli e gestibili. Puoi anche aggiungere spiegazioni di testo, visualizzazioni e celle di markdown per documentare il tuo processo di pensiero. Ciò rende i notebook uno strumento ideale per la prototipazione, l'esplorazione dei dati e la condivisione del lavoro con altri.

Configurazione dell'ambiente

Prima di poter iniziare a utilizzare PyTorch in un notebook, devi configurare il tuo ambiente. Ecco i passaggi:

1. Installa Python

PyTorch è una libreria Python, quindi devi avere Python installato sul tuo sistema. Puoi scaricare l'ultima versione di Python dal sito web ufficiale di Python (python.org). Si consiglia di utilizzare Python 3.6 o versione successiva.

2. Installa PyTorch

Esistono diversi modi per installare PyTorch. Il modo più semplice è utilizzare il comando di installazione ufficiale di PyTorch, che puoi trovare sul sito web di PyTorch (pytorch.org). Il comando varierà a seconda del sistema operativo, della versione CUDA (se desideri utilizzare l'accelerazione GPU) e del gestore pacchetti che preferisci (pip o conda).

Ad esempio, se stai utilizzando pip su un sistema solo CPU, puoi utilizzare il seguente comando:

pip installa la torcia torchvision

3. Installare un ambiente notebook

Sono disponibili diversi ambienti notebook, ma Jupyter Notebook è il più popolare. Puoi installare Jupyter Notebook usando pip:

pip installa jupyter

Una volta installato, puoi avviare Jupyter Notebook eseguendo il seguente comando nel terminale:

taccuino di Giove

Si aprirà una nuova finestra del browser con la dashboard di Jupyter Notebook, in cui puoi creare e gestire i tuoi taccuini.

Iniziare con PyTorch in un notebook

Ora che l'ambiente è configurato, iniziamo a utilizzare PyTorch in un notebook.

1. Importazione di PyTorch

Il primo passo in qualsiasi progetto PyTorch è importare la libreria. In una cella Jupyter Notebook, puoi farlo come segue:

torcia di importazione

Puoi anche importare altre librerie utili, cometorchvisionper attività di visione artificiale:

importare torchvision importare torchvision.transforms come trasformazioni

2. Lavorare con i tensori

I tensori sono la struttura dati fondamentale in PyTorch. Sono simili agli array NumPy ma possono essere utilizzati sulle GPU per calcoli più rapidi. Puoi creare un tensore in PyTorch in questo modo:

# Crea un tensore 2x3 x = torcia.tensore([[1, 2, 3], [4, 5, 6]]) print(x)

È possibile eseguire varie operazioni sui tensori, come addizione, moltiplicazione e rimodellamento. Per esempio:

# Aggiungi due tensori y = torcia.tensore([[7, 8, 9], [10, 11, 12]]) z = x + y print(z)

3. Costruire una rete neurale semplice

Uno dei casi d'uso più comuni di PyTorch è la creazione di reti neurali. Ecco un semplice esempio di rete neurale per classificare le cifre scritte a mano utilizzando il set di dati MNIST:

import torch.nn as nn import torch.nn.functional as F # Definisce una classe di rete neurale semplice Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(784, 128) self.fc2 = nn.Linear(128, 10) def forward(self, x): x = x.view(-1, 784) x = F.relu(self.fc1(x)) x = self.fc2(x) return x net = Net() # Carica il set di dati MNIST trasforma = trasforma.Compose([transforms.ToTensor(), trasforma.Normalize((0.5,), (0.5,))]) trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, trasforma=trasforma) trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True) # Definisce la funzione di perdita e il criterio di ottimizzazione = nn.CrossEntropyLoss() ottimizzatore = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9) # Addestra la rete per l'epoca in range(2): running_loss = 0.0 per i, dati in enumerate(trainloader, 0): input, etichette = data optimizationr.zero_grad() output = net(input) perdita = criterio(output, etichette) loss.backward() optimizationr.step() running_loss += loss.item() if i % 200 == 199: print(f'[{epoca + 1}, {i + 1:5d}] perdita: {running_loss / 200:.3f}') running_loss = 0.0 print('Allenamento terminato')

Utilizzo dei taccuini per la documentazione e la sperimentazione

In qualità di fornitore di notebook, capisco l'importanza di utilizzare i notebook non solo per la codifica ma anche per la documentazione e la sperimentazione. Puoi utilizzare le celle di markdown in Jupyter Notebook per scrivere spiegazioni dettagliate del tuo codice, documentare i tuoi esperimenti e condividere i tuoi risultati.

Ad esempio, puoi scrivere una cella di markdown per spiegare lo scopo della rete neurale che hai appena creato:

### Spiegazione della rete neurale La rete neurale che abbiamo costruito è una semplice rete feed-forward con due strati completamente connessi. Il primo livello prende un input di dimensione 784 (l'immagine appiattita di una cifra scritta a mano 28x28) e lo mappa su 128 unità nascoste. Il secondo livello mappa le 128 unità nascoste in 10 unità di output, corrispondenti alle classi di 10 cifre (0 - 9). Abbiamo utilizzato la funzione di attivazione ReLU nel primo livello per introdurre la non linearità e il livello di output utilizza implicitamente la funzione softmax attraverso la funzione "CrossEntropyLoss".

È inoltre possibile utilizzare i notebook per sperimentare diversi iperparametri, ad esempio la velocità di apprendimento, la dimensione del batch e il numero di unità nascoste. Tenendo traccia dei tuoi esperimenti su un quaderno, potrai facilmente confrontare i risultati e scegliere la configurazione migliore.

Le nostre offerte di notebook

In qualità di fornitore di notebook, offriamo un'ampia gamma di notebook che possono essere utilizzati per lo sviluppo PyTorch. Se hai bisogno di unQuaderno a spirale con copertina rigidaper prendere appunti durante le sessioni di codifica oNote trasparenti appiccicoseper contrassegnare importanti snippet di codice, ti abbiamo coperto.

I nostri quaderni sono realizzati con materiali di alta qualità e sono progettati per soddisfare le esigenze di professionisti e studenti. Sono disponibili in varie dimensioni, colori e stili, quindi puoi scegliere quello che si adatta alle tue preferenze.

Contattaci per l'approvvigionamento

Se sei interessato all'acquisto dei nostri taccuini per i tuoi progetti PyTorch o per qualsiasi altra esigenza d'ufficio, ci piacerebbe sentire la tua opinione. Contattaci per avviare una discussione sull'approvvigionamento e trovare le migliori soluzioni di notebook per le tue esigenze.

Riferimenti

• Documentazione ufficiale PyTorch (pytorch.org/docs)
• Documentazione ufficiale di Jupyter Notebook (jupyter.org/documentation)
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Apprendimento profondo. Stampa del MIT.