Introduktion till djupinlärning med PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Djupinlärning finns överallt!

Illustration med flera språk runt ett jordklot

Illustration med flera språk runt ett jordklot och en självkörande bil

Illustration med flera språk runt ett jordklot, en självkörande bil och medicinsk diagnostik

Illustration med flera språk runt ett jordklot, en självkörande bil och medicinsk diagnostik

Ett lökdiagram som visar djupinlärning som en delmängd av maskininlärning

Ett diagram över ett litet neuralt nätverk

Ett lökdiagram som visar djupinlärning som en delmängd av maskininlärning

Ett diagram över ett neuralt nätverk med flera lager

Illustration av en person som studerar hjärnan

Illustration av en person som studerar hjärnan, med fokus på neuroner

PyTorch-logotypen

Tensor:
- Liknar en array eller matris
- Grundläggande byggsten i neurala nätverk

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]])

Matrismultiplikation markerad

Introduktion till djupinlärning med PyTorch