Maison >développement back-end >Tutoriel Python >qu'est-ce que la torche Python
Python torch, également connu sous le nom de PyTorach, est un premier framework d'apprentissage profond Python et une bibliothèque d'apprentissage automatique Python open source pour des applications telles que le traitement du langage naturel. Il permet non seulement une puissante accélération GPU, mais prend également en charge Dynamic. les réseaux de neurones ne sont pas pris en charge par de nombreux frameworks traditionnels tels que Tensorflow.
PyTorch est développé par l'équipe Torch7 Comme son nom l'indique, la différence avec Torch est que PyTorch utilise Python comme langage de développement.
Ce qu'on appelle "Python first" signifie également qu'il s'agit d'un premier framework d'apprentissage profond Python qui permet non seulement d'obtenir une puissante accélération GPU, mais prend également en charge les réseaux neuronaux dynamiques, ce que font de nombreux frameworks grand public tels que Tensorflow. ont maintenant. Non pris en charge.
PyTorch peut être considéré comme numpy avec prise en charge GPU et comme un puissant réseau neuronal profond avec fonction de dérivation automatique. En plus de Facebook, il a également été utilisé par Twitter, CMU et Salesforce adopté par d'autres institutions.
Manuel recommandé : Tutoriel d'introduction de base au Python
Pourquoi utiliser PyTorch
Face à tant de frameworks d’apprentissage profond, pourquoi devrions-nous choisir PyTorch ? Tensorflow n'est-il pas le leader par défaut des frameworks de deep learning ? Pourquoi ne pas choisir directement Tensorflow mais choisir PyTorch ? Ce qui suit est une introduction aux raisons pour lesquelles vous devriez utiliser PyTorch sous 4 aspects.
(1) La maîtrise d'un framework ne peut pas se faire une fois pour toutes. Personne n'a désormais le monopole absolu du deep learning, pas même Google, donc le simple fait d'apprendre Tensorflow ne suffit pas. Dans le même temps, les chercheurs actuels utilisent différents frameworks. Si vous voulez voir le code qu'ils implémentent, vous devez au moins comprendre le framework qu'ils utilisent, alors apprenez un framework supplémentaire au cas où vous en auriez besoin.
(2) Tensorflow et Caffe sont tous deux des langages de programmation impératifs, et ils sont statiques. Vous devez d'abord construire un réseau neuronal, puis utiliser la même structure encore et encore si vous souhaitez modifier la structure du. réseau, il suffit de repartir de zéro. Mais pour PyTorch, grâce à une technologie de dérivation automatique inverse, vous pouvez modifier arbitrairement le comportement du réseau neuronal sans délai. Bien que cette technologie ne soit pas unique à PyTorch, c'est la mise en œuvre la plus rapide à ce jour et peut vous aider à mettre en œuvre n'importe quelle folie. L'idée atteint la vitesse la plus élevée et la meilleure flexibilité, ce qui est également le plus grand avantage de PyTorch par rapport à Tensorflow.
(3) L'idée de conception de PyTorch est linéaire, intuitive et facile à utiliser. Lorsque vous exécutez une ligne de code, elle sera exécutée fidèlement et il n'y a pas de vision du monde asynchrone, donc en cas de bug. apparaît dans votre code, vous pouvez utiliser ces informations pour trouver facilement et rapidement le code erroné, et vous ne perdrez pas trop de temps à cause de mauvaises directions ou de moteurs asynchrones et opaques lors du débogage.
(4) Le code de PyTorch est plus concis et intuitif que celui de Tensorflow. En même temps, le code source de PyTorch est beaucoup plus convivial et plus facile à comprendre que le code sous-jacent hautement industrialisé de Tensorflow qui est difficile à comprendre. . C'est vraiment un plaisir d'approfondir l'API et de comprendre les couches sous-jacentes de PyTorch. Un framework dont l’architecture sous-jacente peut être comprise vous en donnera une compréhension plus approfondie.
Articles connexes recommandés :
1.Explication détaillée de la formation par lots PyTorch et de la comparaison des optimiseurs
2.pytorch + visdom gère des problèmes de classification simples
3.Un exemple de construction d'un réseau neuronal simple sur PyTorch pour implémenter la régression et la classification
Recommandations vidéo associées :
1.Tutoriel vidéo Python d'entrée de gamme base zéro de Little Turtle
Enfin, nous résumons brièvement les fonctionnalités de PyTorch :
GPU pris en charge ;
Réseau neuronal dynamique ;
Python d'abord
Expérience impérative
Facile à développer.
Avec autant d'avantages, PyTorch a aussi ses défauts. Parce que ce framework est relativement nouveau, il y a moins de personnes qui l'utilisent, ce qui rend sa communauté moins forte, mais PyTorch fournit Il existe un forum officiel où vous pouvez. recherchez la plupart des questions que vous rencontrez. Les réponses y sont généralement fournies par l'auteur ou d'autres utilisateurs de PyTorch. Le forum est également mis à jour très fréquemment. Vous pouvez également déposer un problème sur Github. Généralement, vous obtiendrez une réponse du développeur. très rapidement, ce qui peut être considéré comme résolvant dans une certaine mesure le problème de la communauté.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!