Hur använder man PyTorch i en anteckningsbok?

PyTorch har vuxit fram som ett ledande maskininlärningsbibliotek med öppen källkod, favoriserat av forskare och utvecklare för sina dynamiska beräkningsgrafer och användarvänlighet. Som leverantör av bärbara datorer har jag sett en ökande efterfrågan från kunder som vill använda bärbara datorer för att experimentera med PyTorch. I den här bloggen kommer jag att guida dig genom processen att använda PyTorch i en bärbar miljö, oavsett om det är en fysiskA6 läderjournalför att skriva ner idéer eller en digital anteckningsbok som Jupyter Notebook för faktisk kodning.

Varför använda en anteckningsbok för PyTorch?

Bärbara datorer erbjuder en unik fördel när du arbetar med PyTorch. De tillhandahåller en interaktiv miljö där du kan skriva, köra och ändra kod i små, hanterbara bitar. Du kan också lägga till textförklaringar, visualiseringar och markeringsceller för att dokumentera din tankeprocess. Detta gör bärbara datorer till ett idealiskt verktyg för att skapa prototyper, utforska data och dela ditt arbete med andra.

Ställa in din miljö

Innan du kan börja använda PyTorch i en anteckningsbok måste du konfigurera din miljö. Här är stegen:

1. Installera Python

PyTorch är ett Python-bibliotek, så du måste ha Python installerat på ditt system. Du kan ladda ner den senaste versionen av Python från den officiella Python-webbplatsen (python.org). Det rekommenderas att använda Python 3.6 eller högre.

2. Installera PyTorch

Det finns flera sätt att installera PyTorch. Det enklaste sättet är att använda det officiella PyTorch installationskommandot, som du kan hitta på PyTorchs webbplats (pytorch.org). Kommandot kommer att variera beroende på ditt operativsystem, CUDA-version (om du vill använda GPU-acceleration) och den pakethanterare du föredrar (pip eller conda).

Till exempel, om du använder pip på ett CPU - endast system, kan du använda följande kommando:

pip installera ficklampa torchvision

3. Installera en bärbar datormiljö

Det finns flera bärbara miljöer tillgängliga, men Jupyter Notebook är den mest populära. Du kan installera Jupyter Notebook med hjälp av pip:

pip installera jupyter

När det är installerat kan du starta Jupyter Notebook genom att köra följande kommando i din terminal:

jupyter anteckningsbok

Detta öppnar ett nytt webbläsarfönster med Jupyter Notebook-instrumentpanelen, där du kan skapa och hantera dina anteckningsböcker.

Komma igång med PyTorch i en anteckningsbok

Nu när din miljö är inställd, låt oss börja använda PyTorch i en anteckningsbok.

1. Importera PyTorch

Det första steget i alla PyTorch-projekt är att importera biblioteket. I en Jupyter Notebook-cell kan du göra detta på följande sätt:

importera ficklampa

Du kan även importera andra användbara bibliotek, som t.exfackelvisionför datorseende uppgifter:

import torchvision import torchvision.transformers som transformer

2. Arbeta med tensorer

Tensorer är den grundläggande datastrukturen i PyTorch. De liknar NumPy-arrayer men kan användas på GPU:er för snabbare beräkning. Du kan skapa en tensor i PyTorch så här:

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

Du kan utföra olika operationer på tensorer, som addition, multiplikation och omformning. Till exempel:

# Lägg till två tensorer y = torch.tensor([[7, 8, 9], [10, 11, 12]]) z = x + y print(z)

3. Bygga ett enkelt neuralt nätverk

Ett av de vanligaste användningsfallen av PyTorch är att bygga neurala nätverk. Här är ett enkelt exempel på ett neuralt nätverk för att klassificera handskrivna siffror med hjälp av MNIST-datauppsättningen:

importera torch.nn som nn importera torch.nn.functional as F # Definiera en enkel neural nätverksklass Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(784, 128) self.fc2 = nn.Linear(1, x def), x x.view(-1, 784) x = F.relu(self.fc1(x)) x = self.fc2(x) return x net = Net() # Ladda MNIST-datauppsättningen transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) tågset torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True) # Definiera förlustfunktionen och optimeringskriteriet = tropyCsross(Enn. torch.optim.SGD(net.parameters(), lr=0,001, momentum=0,9) # Träna nätverket för epok i intervall(2): running_loss = 0,0 för i, data i enumerate(trainloader, 0): ingångar, etiketter = dataoptimerare.zero_grad() utgångar = =(ingångar etiketter) förluster (återgång) förluster (inputs) utgångar. optimizer.step() running_loss += loss.item() if i % 200 == 199: print(f'[{epoch + 1}, {i + 1:5d}] förlust: {running_loss / 200:.3f}') running_loss = 0,0 print('Finished Training')

Använda anteckningsböcker för dokumentation och experiment

Som anteckningsbokleverantör förstår jag vikten av att använda anteckningsböcker inte bara för kodning utan också för dokumentation och experiment. Du kan använda markdown-celler i Jupyter Notebook för att skriva detaljerade förklaringar av din kod, dokumentera dina experiment och dela dina resultat.

Till exempel kan du skriva en markdown-cell för att förklara syftet med det neurala nätverk du just byggt:

### Förklaring av det neurala nätverket Det neurala nätverket vi byggde är ett enkelt feed-forward-nätverk med två helt anslutna lager. Det första lagret tar en indata av storlek 784 (den tillplattade bilden av en 28x28 handskriven siffra) och mappar den till 128 dolda enheter. Det andra lagret mappar de 128 dolda enheterna till 10 utdataenheter, motsvarande de 10 siffrorsklasserna (0 - 9). Vi använde ReLU-aktiveringsfunktionen i det första lagret för att introducera icke-linjäritet, och utlagret använder softmax-funktionen implicit genom funktionen `CrossEntropyLoss`.

Du kan också använda anteckningsböcker för att experimentera med olika hyperparametrar, såsom inlärningshastighet, batchstorlek och antal dolda enheter. Genom att hålla reda på dina experiment i en anteckningsbok kan du enkelt jämföra resultaten och välja den bästa konfigurationen.

Våra anteckningsbokerbjudanden

Som leverantör av bärbara datorer erbjuder vi ett brett utbud av bärbara datorer som kan användas för PyTorch-utveckling. Oavsett om du behöver enSpiral anteckningsbok med inbundenför att ta anteckningar under dina kodningssessioner ellerKlibbiga transparenta anteckningarför att markera viktiga kodavsnitt, vi har dig täckt.

Våra anteckningsböcker är gjorda av högkvalitativa material och är designade för att möta behoven hos både professionella och studenter. De finns i olika storlekar, färger och stilar, så att du kan välja den som passar dina preferenser.

Kontakta oss för upphandling

Om du är intresserad av att köpa våra bärbara datorer för dina PyTorch-projekt eller andra kontorsbehov, vill vi gärna höra från dig. Kontakta oss för att starta en upphandlingsdiskussion och hitta de bästa bärbara lösningarna för dina behov.

Referenser

• PyTorchs officiella dokumentation (pytorch.org/docs)
• Jupyter Notebook officiella dokumentation (jupyter.org/documentation)
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.