PyTorch

Материал из Википедии — свободной энциклопедии
Перейти к навигации Перейти к поиску
PyTorch
Pytorch logo.png
Тип Библиотека машинного обучения и глубинного обучения
Автор Adam Paszke, Sam Gross, Soumith Chintala, Gregory Chanan
Написана на Python, C++, CUDA
Операционная система Linux, macOS, Windows
Первый выпуск октябрь 2016
Последняя версия
Лицензия BSD
Сайт pytorch.org

PyTorch — библиотека машинного обучения для языка Python с открытым исходным кодом, созданная на базе Torch[2][3][4]. Используется для решения различных задач: компьютерное зрение, обработка естественного языка.[5] Разрабатывается преимущественно группой искусственного интеллекта Facebook,[6][7][8]. Также вокруг этого фреймворка выстроена экосистема[9], состоящая из различных библиотек, разрабатываемых сторонними командами: Fast.ai[10], упрощающая процесс обучения моделей, Pyro, модуль для вероятностного программирования[en], от Uber[11], Flair[12], для обработки естественного языка и Catalyst[13], для обучения DL и RL моделей.

PyTorch предоставляет две основные высокоуровневые модели:[14]

  • Тензорные вычисления (по аналогии с NumPy) с развитой поддержкой ускорения на GPU
  • Глубокие нейронные сети на базе системы autodiff

Тензоры PyTorch[править | править код]

Тензоры не представляют собой чего-либо особенного, просто являясь многомерными массивами. Тензоры PyTorch (Tensors) похожи на массивы пакета numpy, но дополнительно могут обрабатываться на видеоускорителях. PyTorch поддерживает различные типы тензоров.[15]

Модули[править | править код]

Модуль Autograd[править | править код]

PyTorch использует метод автоматической дифференциации. Производится запись вычислений, произведенных в прямом направлении, затем производится воспроизведение в обратном порядке для вычисления градиентов. Этот метод особенно полезен при построении нейронных сетей, так как позволяет рассчитывать дифференциальные поправки параметров одновременно с прямым проходом.

Модуль Optim[править | править код]

torch.optim — модуль, реализующий несколько алгоритмов оптимизации, используемых при построении нейронных сетей. Реализовано большинство наиболее часто используемых методов.

Модуль nn[править | править код]

Модуль PyTorch autograd позволяет легко определять вычислительные графы и работать с градиентами, однако может быть слишком низким уровнем для определения сложных нейронных сетей. Более высокоуровневой абстракцией для таких применений является модуль nn.

См. также[править | править код]

Примечания[править | править код]

  1. Release 1.3.1 — 2019.
  2. Yegulalp, Serdar. Facebook brings GPU-powered machine learning to Python, InfoWorld (19 January 2017). Дата обращения 11 декабря 2017.
  3. Lorica, Ben Why AI and machine learning researchers are beginning to embrace PyTorch. O'Reilly Media (3 August 2017). Дата обращения 11 декабря 2017.
  4. Ketkar, Nikhil. Deep Learning with Python : [англ.]. — Apress, Berkeley, CA, 2017. — P. 195–208. — ISBN 9781484227657. — DOI:10.1007/978-1-4842-2766-4_12.
  5. Natural Language Processing (NLP) with PyTorch — NLP with PyTorch documentation (англ.). dl4nlp.info. Дата обращения 18 декабря 2017.
  6. Patel, Mo. When two trends fuse: PyTorch and recommender systems (англ.), O'Reilly Media (7 December 2017).
  7. Mannes, John. Facebook and Microsoft collaborate to simplify conversions from PyTorch to Caffe2 (англ.), TechCrunch. «FAIR is accustomed to working with PyTorch — a deep learning framework optimized for achieving state of the art results in research, regardless of resource constraints. Unfortunately in the real world, most of us are limited by the computational capabilities of our smartphones and computers.».
  8. Arakelyan, Sophia Tech giants are using open source frameworks to dominate the AI community (англ.)  (неопр.) ?. VentureBeat (29 ноября 2017). Дата обращения 18 декабря 2017.
  9. PyTorch (англ.) (недоступная ссылка). www.pytorch.org. Дата обращения 16 июня 2019. Архивировано 31 августа 2019 года.
  10. fast.ai · Making neural nets uncool again. www.fast.ai. Дата обращения 16 июня 2019.
  11. Uber AI Labs Open Sources Pyro, a Deep Probabilistic Programming Language (англ.), Uber Engineering Blog (3 ноября 2017).
  12. A very simple framework for state-of-the-art Natural Language Processing (NLP): zalandoresearch/flair. — 2019-06-16.
  13. Reproducible and fast DL & RL. Contribute to catalyst-team/catalyst development by creating an account on GitHub. — 2019-11-25.
  14. PyTorch – About (недоступная ссылка). pytorch.org. Дата обращения 11 июня 2018. Архивировано 15 июня 2018 года.
  15. An Introduction to PyTorch – A Simple yet Powerful Deep Learning Library. analyticsvidhya.com. Дата обращения 11 июня 2018.

Ссылки[править | править код]