Ako používať PyTorch v notebooku?

PyTorch sa ukázal ako popredná knižnica strojového učenia s otvoreným zdrojom, ktorú výskumníci a vývojári uprednostňujú pre svoje dynamické výpočtové grafy a jednoduché použitie. Ako dodávateľ notebookov som zaznamenal rastúci dopyt zo strany zákazníkov, ktorí chcú používať notebooky na experimentovanie s PyTorch. V tomto blogu vás prevediem procesom používania PyTorch v prostredí notebooku, či už ide o fyzickéKožený denník A6na zapisovanie nápadov alebo digitálny zápisník ako Jupyter Notebook na skutočné kódovanie.

Prečo používať notebook pre PyTorch?

Notebooky ponúkajú jedinečnú výhodu pri práci s PyTorch. Poskytujú interaktívne prostredie, kde môžete písať, spúšťať a upravovať kód v malých, spravovateľných kúskoch. Môžete tiež pridať textové vysvetlenia, vizualizácie a bunky značiek, aby ste zdokumentovali svoj myšlienkový proces. Vďaka tomu sú notebooky ideálnym nástrojom na prototypovanie, skúmanie údajov a zdieľanie vašej práce s ostatnými.

Nastavenie vášho prostredia

Skôr ako začnete používať PyTorch v notebooku, musíte nastaviť svoje prostredie. Tu sú kroky:

1. Nainštalujte Python

PyTorch je knižnica Python, takže musíte mať na svojom systéme nainštalovaný Python. Najnovšiu verziu Pythonu si môžete stiahnuť z oficiálnej webovej stránky Python (python.org). Odporúča sa používať Python 3.6 alebo vyšší.

2. Nainštalujte PyTorch

Existuje niekoľko spôsobov, ako nainštalovať PyTorch. Najjednoduchším spôsobom je použiť oficiálny príkaz na inštaláciu PyTorch, ktorý nájdete na webovej stránke PyTorch (pytorch.org). Príkaz sa bude líšiť v závislosti od vášho operačného systému, verzie CUDA (ak chcete použiť akceleráciu GPU) a preferovaného správcu balíkov (pip alebo conda).

Ak napríklad používate pip na systéme iba s CPU, môžete použiť nasledujúci príkaz:

pip install torch torchvision

3. Nainštalujte prostredie notebooku

K dispozícii je niekoľko prostredí notebookov, no najobľúbenejší je Jupyter Notebook. Jupyter Notebook môžete nainštalovať pomocou pip:

pip install jupyter

Po nainštalovaní môžete Jupyter Notebook spustiť spustením nasledujúceho príkazu v termináli:

notebook jupyter

Tým sa otvorí nové okno prehliadača s ovládacím panelom Jupyter Notebook, kde môžete vytvárať a spravovať svoje poznámkové bloky.

Začíname s PyTorch v notebooku

Teraz, keď je vaše prostredie nastavené, začnime používať PyTorch v notebooku.

1. Import PyTorch

Prvým krokom v akomkoľvek projekte PyTorch je import knižnice. V bunke Jupyter Notebook to môžete urobiť takto:

dovozová baterka

Importovať môžete aj ďalšie užitočné knižnice, ako naprvidenie s pochodňoupre úlohy počítačového videnia:

import torchvision import torchvision.transformuje sa ako transformuje

2. Práca s tenzormi

Tenzory sú základnou dátovou štruktúrou v PyTorch. Sú podobné poliam NumPy, ale môžu byť použité na GPU pre rýchlejší výpočet. V PyTorch môžete vytvoriť tenzor takto:

# Vytvorte tenzor 2x3 x = torch.tensor([[1, 2, 3], [4, 5, 6]]) print(x)

S tenzormi môžete vykonávať rôzne operácie, ako je sčítanie, násobenie a zmena tvaru. Napríklad:

# Pridajte dva tenzory y = torch.tensor([[7, 8, 9], [10, 11, 12]]) z = x + y print(z)

3. Budovanie jednoduchej neurónovej siete

Jedným z najbežnejších prípadov použitia PyTorch je budovanie neurónových sietí. Tu je jednoduchý príklad neurónovej siete na klasifikáciu ručne písaných číslic pomocou súboru údajov MNIST:

import torch.nn as nn import torch.nn.functional as F # Definuj triedu jednoduchej neurónovej siete Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(784, 128) self.fc2(self 12.Line):) self.fc2(self 12.Line): x.view(-1, 784) x = F.relu(self.fc1(x)) x = self.fc2(x) return x net = Net() # Načítať súbor údajov MNIST transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) trainset torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True) # Definujte stratovú funkciu a kritérium optimalizátora =CrossLo optimizer = Entropynn. torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9) # Trénujte sieť pre epochu v rozsahu(2): running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputy, labels = data optimizer.zero_grad() outputs = strata net(inputwardcritters. optimizer.step() running_loss += loss.item() if i % 200 == 199: print(f'[{epocha + 1}, {i + 1:5d}] strata: {running_loss / 200:.3f}') running_loss = 0.0 print('Dokončené školenie')

Používanie notebookov na dokumentáciu a experimentovanie

Ako dodávateľ notebookov chápem dôležitosť používania notebookov nielen na kódovanie, ale aj na dokumentáciu a experimentovanie. Bunky značiek v aplikácii Jupyter Notebook môžete použiť na písanie podrobných vysvetlení svojho kódu, zdokumentovanie svojich experimentov a zdieľanie svojich zistení.

Môžete napríklad napísať bunku markdown, aby ste vysvetlili účel neurónovej siete, ktorú ste práve vytvorili:

### Vysvetlenie neurónovej siete Neurónová sieť, ktorú sme vytvorili, je jednoduchá dopredná sieť s dvoma plne prepojenými vrstvami. Prvá vrstva prevezme vstup s veľkosťou 784 (sploštený obrázok ručne napísanej číslice 28 x 28) a namapuje ho na 128 skrytých jednotiek. Druhá vrstva mapuje 128 skrytých jednotiek na 10 výstupných jednotiek, ktoré zodpovedajú triedam 10 číslic (0 - 9). Použili sme aktivačnú funkciu ReLU v prvej vrstve na zavedenie nelineárnosti a výstupná vrstva využíva funkciu softmax implicitne prostredníctvom funkcie `CrossEntropyLoss`.

Poznámkové bloky môžete použiť aj na experimentovanie s rôznymi hyperparametrami, ako je rýchlosť učenia, veľkosť dávky a počet skrytých jednotiek. Ak budete sledovať svoje experimenty v notebooku, môžete ľahko porovnávať výsledky a vybrať si najlepšiu konfiguráciu.

Naša ponuka notebookov

Ako dodávateľ notebookov ponúkame širokú škálu notebookov, ktoré možno použiť na vývoj PyTorch. Či už potrebujete aŠpirálový zápisník s pevnou väzbouna robenie poznámok počas vašich relácií kódovania aleboLepiace priehľadné poznámkyna označovanie dôležitých úryvkov kódu sme vám pomohli.

Naše zápisníky sú vyrobené z vysoko kvalitných materiálov a sú navrhnuté tak, aby vyhovovali potrebám profesionálov aj študentov. Prichádzajú v rôznych veľkostiach, farbách a štýloch, takže si môžete vybrať ten, ktorý vyhovuje vašim preferenciám.

Kontaktujte nás a obstarajte

Ak máte záujem o kúpu našich notebookov pre svoje projekty PyTorch alebo akékoľvek iné kancelárske potreby, budeme radi, ak sa nám ozvete. Kontaktujte nás, aby ste mohli začať diskusiu o obstarávaní a nájsť najlepšie riešenia notebookov pre vaše požiadavky.

Referencie

• Oficiálna dokumentácia PyTorch (pytorch.org/docs)
• Oficiálna dokumentácia k notebooku Jupyter (jupyter.org/documentation)
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Hlboké učenie. MIT Press.