Bagaimana cara menggunakan PyTorch di buku catatan?

PyTorch telah muncul sebagai perpustakaan pembelajaran mesin sumber terbuka terkemuka, disukai oleh para peneliti dan pengembang karena grafik komputasi dinamis dan kemudahan penggunaannya. Sebagai pemasok notebook, saya melihat peningkatan permintaan dari pelanggan yang ingin menggunakan notebook untuk bereksperimen dengan PyTorch. Di blog ini, saya akan memandu Anda melalui proses penggunaan PyTorch di lingkungan notebook, baik itu fisikJurnal Kulit A6untuk mencatat ide atau buku catatan digital seperti Jupyter Notebook untuk pengkodean sebenarnya.

Mengapa Menggunakan Notebook untuk PyTorch?

Notebook menawarkan keuntungan unik saat bekerja dengan PyTorch. Mereka menyediakan lingkungan interaktif tempat Anda dapat menulis, menjalankan, dan memodifikasi kode dalam potongan kecil yang dapat dikelola. Anda juga dapat menambahkan penjelasan teks, visualisasi, dan sel penurunan harga untuk mendokumentasikan proses berpikir Anda. Hal ini menjadikan buku catatan alat yang ideal untuk membuat prototipe, menjelajahi data, dan berbagi pekerjaan Anda dengan orang lain.

Menyiapkan Lingkungan Anda

Sebelum Anda bisa mulai menggunakan PyTorch di buku catatan, Anda perlu menyiapkan lingkungan Anda. Berikut langkah-langkahnya:

1. Instal Python

PyTorch adalah pustaka Python, jadi Anda harus menginstal Python di sistem Anda. Anda dapat mengunduh Python versi terbaru dari situs resmi Python (python.org). Disarankan untuk menggunakan Python 3.6 atau lebih tinggi.

2. Instal PyTorch

Ada beberapa cara untuk menginstal PyTorch. Cara termudah adalah dengan menggunakan perintah instalasi resmi PyTorch, yang dapat Anda temukan di situs web PyTorch (pytorch.org). Perintahnya akan bervariasi tergantung pada sistem operasi Anda, versi CUDA (jika Anda ingin menggunakan akselerasi GPU), dan manajer paket yang Anda sukai (pip atau conda).

Misalnya, jika Anda menggunakan pip pada sistem khusus CPU, Anda dapat menggunakan perintah berikut:

pip instal obor torchvision

3. Instal Lingkungan Notebook

Ada beberapa lingkungan notebook yang tersedia, namun Jupyter Notebook adalah yang paling populer. Anda dapat menginstal Jupyter Notebook menggunakan pip:

pip instal jupyter

Setelah terinstal, Anda dapat memulai Jupyter Notebook dengan menjalankan perintah berikut di terminal Anda:

buku catatan jupyter

Ini akan membuka jendela browser baru dengan dasbor Jupyter Notebook, tempat Anda dapat membuat dan mengelola buku catatan Anda.

Memulai PyTorch di Notebook

Sekarang lingkungan Anda sudah siap, mari mulai menggunakan PyTorch di buku catatan.

1. Mengimpor PyTorch

Langkah pertama dalam proyek PyTorch adalah mengimpor perpustakaan. Di sel Notebook Jupyter, Anda dapat melakukan ini sebagai berikut:

impor obor

Anda juga dapat mengimpor perpustakaan berguna lainnya, sepertivisi oboruntuk tugas visi komputer:

impor torchvision impor torchvision.transforms sebagai transformasi

2. Bekerja dengan Tensor

Tensor adalah struktur data dasar di PyTorch. Mereka mirip dengan array NumPy tetapi dapat digunakan pada GPU untuk komputasi yang lebih cepat. Anda dapat membuat tensor di PyTorch seperti ini:

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

Anda dapat melakukan berbagai operasi pada tensor, seperti penjumlahan, perkalian, dan pembentukan ulang. Misalnya:

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

3. Membangun Jaringan Syaraf Tiruan Sederhana

Salah satu kasus penggunaan PyTorch yang paling umum adalah membangun jaringan saraf. Berikut adalah contoh sederhana jaringan saraf untuk mengklasifikasikan angka tulisan tangan menggunakan kumpulan data MNIST:

import torch.nn as nn import torch.nn.fungsional sebagai F # Mendefinisikan kelas jaringan saraf sederhana 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() # Muat kumpulan data 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) # Tentukan fungsi kerugian dan kriteria pengoptimal = nn.CrossEntropyLoss() pengoptimal = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9) # Latih jaringan untuk jangka waktu dalam rentang(2): running_loss = 0.0 untuk i, data dalam enumerate(trainloader, 0): input, label = data optimizer.zero_grad() output = net(input) loss = kriteria(output, label) 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 print('Selesai Latihan')

Menggunakan Notebook untuk Dokumentasi dan Eksperimen

Sebagai pemasok notebook, saya memahami pentingnya menggunakan notebook tidak hanya untuk pengkodean tetapi juga untuk dokumentasi dan eksperimen. Anda dapat menggunakan sel penurunan harga di Jupyter Notebook untuk menulis penjelasan mendetail tentang kode Anda, mendokumentasikan eksperimen, dan membagikan temuan Anda.

Misalnya, Anda dapat menulis sel penurunan harga untuk menjelaskan tujuan jaringan saraf yang baru saja Anda buat:

### Penjelasan Jaringan Neural Jaringan saraf yang kami bangun merupakan jaringan feed-forward sederhana dengan dua lapisan yang terhubung sepenuhnya. Lapisan pertama mengambil masukan berukuran 784 (gambar rata dari angka tulisan tangan berukuran 28x28) dan memetakannya ke 128 unit tersembunyi. Lapisan kedua memetakan 128 unit tersembunyi menjadi 10 unit keluaran, sesuai dengan 10 kelas digit (0 - 9). Kami menggunakan fungsi aktivasi ReLU di lapisan pertama untuk memperkenalkan non - linearitas, dan lapisan keluaran menggunakan fungsi softmax secara implisit melalui fungsi `CrossEntropyLoss`.

Anda juga dapat menggunakan buku catatan untuk bereksperimen dengan hyperparameter yang berbeda, seperti kecepatan pembelajaran, ukuran batch, dan jumlah unit tersembunyi. Dengan mencatat eksperimen di buku catatan, Anda dapat dengan mudah membandingkan hasilnya dan memilih konfigurasi terbaik.

Penawaran Buku Catatan Kami

Sebagai pemasok notebook, kami menawarkan berbagai macam notebook yang dapat digunakan untuk pengembangan PyTorch. Apakah Anda memerlukan aBuku Catatan Spiral dengan Sampul Kerasuntuk membuat catatan selama sesi pengkodean Anda atauCatatan Transparan Lengketuntuk menandai cuplikan kode penting, kami siap membantu Anda.

Buku catatan kami terbuat dari bahan berkualitas tinggi dan dirancang untuk memenuhi kebutuhan para profesional dan pelajar. Mereka tersedia dalam berbagai ukuran, warna, dan gaya, sehingga Anda dapat memilih salah satu yang sesuai dengan preferensi Anda.

Hubungi Kami untuk Pengadaan

Jika Anda tertarik membeli buku catatan kami untuk proyek PyTorch atau kebutuhan kantor lainnya, kami akan senang mendengar pendapat Anda. Hubungi kami untuk memulai diskusi pengadaan dan menemukan solusi notebook terbaik untuk kebutuhan Anda.

Referensi

• Dokumentasi resmi PyTorch (pytorch.org/docs)
• Dokumentasi resmi Notebook Jupyter (jupyter.org/documentation)
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Pembelajaran Mendalam. Pers MIT.