Introducción al aprendizaje profundo con PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

¡El aprendizaje profundo está en todas partes!

Ilustración que muestra múltiples lenguas alrededor de un globo

Ilustración que muestra varias lenguas alrededor del globo, y un vehículo autónomo

Ilustración que muestra varias lenguas alrededor del mundo, un vehículo autónomo y un diagnóstico médico

Ilustración que muestra varias lenguas alrededor del mundo, un vehículo autónomo y un diagnóstico médico

Diagrama de cebolla que representa el aprendizaje profundo como subconjunto del machine learning

Esquema de una pequeña red neuronal

Diagrama de cebolla que representa el aprendizaje profundo como subconjunto del machine learning

Diagrama de una red neuronal con varias capas

Ilustración de una persona estudiando el cerebro

Ilustración de una persona que estudia el cerebro, centrándose en las neuronas

El logotipo de PyTorch

Tensor:
- Similar a arreglo o matriz
- Bloques de construcción de las redes neuronales

import torch

my_list = [[1, 2, 3], [4, 5, 6]]
tensor = torch.tensor(my_list)
print(tensor)

tensor([[1, 2, 3],
        [4, 5, 6]])

my_list = [[1, 2, 3], [4, 5, 6]]
tensor = torch.tensor(my_list)
print(tensor.shape)

torch.Size([2, 3])

print(tensor.dtype)

torch.int64

a = torch.tensor([[1, 1], 
                  [2, 2]])

b = torch.tensor([[2, 2], 
                  [3, 3]])

print(a + b)

tensor([[3, 3],
        [5, 5]])

a = torch.tensor([[1, 1], 
                  [2, 2]])

c = torch.tensor([[2, 2, 4], 
                  [3, 3, 5]])

print(a + c)

RuntimeError: The size of tensor a
(2) must match the size of tensor b (3) 
at non-singleton dimension 1

a = torch.tensor([[1, 1], 
                  [2, 2]])
b = torch.tensor([[2, 2], 
                  [3, 3]])
print(a * b)

tensor([[2,  2],
        [6, 6]])

Multiplicación de matrices resaltada

Introducción al aprendizaje profundo con PyTorch