PyTorch – Introducción

PyTorch – Introducción

PyTorch se define como una biblioteca de aprendizaje automático de código abierto para Python. Se utiliza para aplicaciones como el procesamiento del lenguaje natural. Fue desarrollado originalmente por el grupo de investigación de inteligencia artificial de Facebook y el software de programación probabilística Uber Pyro que se basa en él.

PyTorch fue desarrollado originalmente por Hugh Perkins como un contenedor de Python para LusJIT basado en el marco Torch. Hay dos opciones para PyTorch.

PyTorch moderniza e implementa Torch en Python usando las mismas bibliotecas C centrales para el código back-end. Los desarrolladores de PyTorch han personalizado este código interno para ejecutar Python de manera eficiente. También conservaron la aceleración de hardware basada en GPU, así como las características de extensibilidad que hicieron que Torch se basara en Lua.

Funciones

Las principales características de PyTorch se mencionan a continuación:

Interfaz sencilla – PyTorch ofrece una API fácil de usar; por lo tanto, se considera muy fácil de usar y se ejecuta en Python. Ejecutar código en este marco es bastante sencillo.

Usando Python – Esta biblioteca se considera Pythonic, que se integra perfectamente con la pila de ciencia de datos de Python. De esta forma, puede utilizar todos los servicios y funciones que ofrece el entorno Python.

Gráficos computacionales – PyTorch proporciona una excelente plataforma que ofrece gráficos computacionales dinámicos. Así, el usuario puede modificarlos en tiempo de ejecución. Esto es muy útil cuando el desarrollador no sabe cuánta memoria se requiere para crear el modelo de red neuronal.

PyTorch es conocido por tener tres niveles de abstracción como se muestra a continuación:

• Tensor es una matriz n-dimensional imperativa que se ejecuta en una GPU.

• Una variable es un nodo en un gráfico computacional. Aquí es donde se almacenan los datos y el gradiente.

• Un módulo es una capa de red neuronal que almacenará estados o pesos entrenados.

Beneficios de PyTorch

A continuación se muestran los beneficios de PyTorch:

• El código es fácil de depurar y comprender.

• Incluye muchas capas como Torch.

• Incluye muchas funciones de pérdida.

• Esto se puede considerar como una extensión de NumPy para GPU.

• Esto le permite construir redes, cuya estructura depende del cálculo en sí.

TensorFlow frente a PyTorch

Cubriremos las principales diferencias entre TensorFlow y PyTorch a continuación: