Wprowadzenie do głębokiego uczenia z PyTorch

Wprowadzenie do uczenia głębokiego z PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Głębokie uczenie jest wszędzie!

Ilustracja przedstawiająca wiele języków wokół globu

Ilustracja przedstawiająca wiele języków wokół globu i samochód autonomiczny

Ilustracja przedstawiająca wiele języków wokół globu, samochód autonomiczny i diagnozę medyczną

Ilustracja przedstawiająca wiele języków wokół globu, samochód autonomiczny i diagnozę medyczną

Diagram cebulowy przedstawiający głębokie uczenie jako podzbiór uczenia maszynowego

Diagram małej sieci neuronowej

Diagram cebulowy przedstawiający głębokie uczenie jako podzbiór uczenia maszynowego

Diagram sieci neuronowej z wieloma warstwami

Ilustracja osoby badającej mózg

Ilustracja osoby badającej mózg, z zaznaczonymi neuronami

Logo PyTorch

Tensor:
- Podobny do tablicy lub macierzy
- Podstawowy element sieci neuronowych

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]])

Wyróżnione mnożenie macierzy

Wprowadzenie do uczenia głębokiego z PyTorch