Comment utiliser PyTorch dans un notebook ?

PyTorch est devenu l'une des principales bibliothèques d'apprentissage automatique open source, privilégiée par les chercheurs et les développeurs pour ses graphiques informatiques dynamiques et sa facilité d'utilisation. En tant que fournisseur d'ordinateurs portables, j'ai constaté une demande croissante de la part de clients souhaitant utiliser des ordinateurs portables pour expérimenter PyTorch. Dans ce blog, je vais vous guider tout au long du processus d'utilisation de PyTorch dans un environnement notebook, qu'il s'agisse d'un environnement physique.Journal en cuir A6pour noter des idées ou un cahier numérique comme Jupyter Notebook pour le codage réel.

Pourquoi utiliser un notebook pour PyTorch ?

Les blocs-notes offrent un avantage unique lorsque vous travaillez avec PyTorch. Ils fournissent un environnement interactif dans lequel vous pouvez écrire, exécuter et modifier du code en petits morceaux gérables. Vous pouvez également ajouter des explications textuelles, des visualisations et des cellules de démarque pour documenter votre processus de réflexion. Cela fait des blocs-notes un outil idéal pour le prototypage, l'exploration de données et le partage de votre travail avec d'autres.

Configuration de votre environnement

Avant de pouvoir commencer à utiliser PyTorch dans un notebook, vous devez configurer votre environnement. Voici les étapes :

1. Installez Python

PyTorch est une bibliothèque Python, vous devez donc avoir Python installé sur votre système. Vous pouvez télécharger la dernière version de Python sur le site officiel de Python (python.org). Il est recommandé d'utiliser Python 3.6 ou supérieur.

2. Installez PyTorch

Il existe plusieurs façons d'installer PyTorch. Le moyen le plus simple consiste à utiliser la commande d'installation officielle de PyTorch, que vous pouvez trouver sur le site Web de PyTorch (pytorch.org). La commande varie en fonction de votre système d'exploitation, de la version de CUDA (si vous souhaitez utiliser l'accélération GPU) et du gestionnaire de packages que vous préférez (pip ou conda).

Par exemple, si vous utilisez pip sur un système à processeur uniquement, vous pouvez utiliser la commande suivante :

pip installer la torche torchvision

3. Installer un environnement de bloc-notes

Il existe plusieurs environnements de notebook disponibles, mais Jupyter Notebook est le plus populaire. Vous pouvez installer Jupyter Notebook en utilisant pip :

pip installer jupyter

Une fois installé, vous pouvez démarrer Jupyter Notebook en exécutant la commande suivante dans votre terminal :

cahier jupyter

Cela ouvrira une nouvelle fenêtre de navigateur avec le tableau de bord Jupyter Notebook, où vous pourrez créer et gérer vos blocs-notes.

Premiers pas avec PyTorch dans un ordinateur portable

Maintenant que votre environnement est configuré, commençons à utiliser PyTorch dans un notebook.

1. Importation de PyTorch

La première étape de tout projet PyTorch consiste à importer la bibliothèque. Dans une cellule Jupyter Notebook, vous pouvez procéder comme suit :

importer une torche

Vous pouvez également importer d'autres bibliothèques utiles, telles quevision de la torchepour les tâches de vision par ordinateur :

importer torchvision importer torchvision.transforms en tant que transformations

2. Travailler avec des tenseurs

Les tenseurs constituent la structure de données fondamentale de PyTorch. Ils sont similaires aux tableaux NumPy mais peuvent être utilisés sur des GPU pour un calcul plus rapide. Vous pouvez créer un tenseur dans PyTorch comme ceci :

# Créer un tenseur 2x3 x = torch.tensor([[1, 2, 3], [4, 5, 6]]) print(x)

Vous pouvez effectuer diverses opérations sur les tenseurs, telles que l'addition, la multiplication et le remodelage. Par exemple:

# Ajoutez deux tenseurs y = torch.tensor([[7, 8, 9], [10, 11, 12]]) z = x + y print(z)

3. Construire un réseau neuronal simple

L'un des cas d'utilisation les plus courants de PyTorch consiste à créer des réseaux de neurones. Voici un exemple simple de réseau neuronal pour classer les chiffres manuscrits à l'aide de l'ensemble de données MNIST :

import torch.nn as nn import torch.nn.function as F # Définir une classe de réseau neuronal simple Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(784, 128) self.fc2 = nn.Linear(128, 10) def forward(self, x): x = x.view(-1, 784) x = F.relu(self.fc1(x)) x = self.fc2(x) return x net = Net() # Charger l'ensemble de données MNIST transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True) # Définir la fonction de perte et le critère d'optimisation = nn.CrossEntropyLoss() optimiseur = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9) # Entraîner le réseau pour l'époque dans la plage (2) : running_loss = 0.0 pour i, données dans enumerate(trainloader, 0) : entrées, étiquettes = données optimiseur.zero_grad() sorties = net(entrées) perte = critère(sorties, étiquettes) loss.backward() optimiseur.step() running_loss += loss.item() si i % 200 == 199 : print(f'[{epoch + 1}, {i + 1:5d}] perte : {running_loss / 200:.3f}') running_loss = 0.0 print('Entraînement terminé')

Utiliser des blocs-notes pour la documentation et l'expérimentation

En tant que fournisseur de notebooks, je comprends l'importance d'utiliser des notebooks non seulement pour le codage, mais également pour la documentation et l'expérimentation. Vous pouvez utiliser des cellules de démarque dans Jupyter Notebook pour rédiger des explications détaillées de votre code, documenter vos expériences et partager vos résultats.

Par exemple, vous pouvez écrire une cellule de démarque pour expliquer le but du réseau neuronal que vous venez de créer :

### Explication du réseau neuronal Le réseau neuronal que nous avons construit est un simple réseau de rétroaction avec deux couches entièrement connectées. La première couche prend une entrée de taille 784 (l'image aplatie d'un chiffre manuscrit de 28 x 28) et la mappe à 128 unités cachées. La deuxième couche mappe les 128 unités cachées en 10 unités de sortie, correspondant aux classes à 10 chiffres (0 à 9). Nous avons utilisé la fonction d'activation ReLU dans la première couche pour introduire la non-linéarité, et la couche de sortie utilise implicitement la fonction softmax via la fonction « CrossEntropyLoss ».

Vous pouvez également utiliser des blocs-notes pour expérimenter différents hyperparamètres, tels que le taux d'apprentissage, la taille du lot et le nombre d'unités masquées. En gardant une trace de vos expériences dans un cahier, vous pouvez facilement comparer les résultats et choisir la meilleure configuration.

Nos offres d'ordinateurs portables

En tant que fournisseur de notebooks, nous proposons une large gamme de notebooks pouvant être utilisés pour le développement PyTorch. Que vous ayez besoin d'unCahier à spirale avec couverture rigidepour prendre des notes lors de vos sessions de codage ouNotes autocollantes transparentespour marquer des extraits de code importants, nous avons ce qu’il vous faut.

Nos cahiers sont fabriqués à partir de matériaux de haute qualité et sont conçus pour répondre aux besoins des professionnels et des étudiants. Ils sont disponibles en différentes tailles, couleurs et styles, vous pouvez donc choisir celui qui correspond à vos préférences.

Contactez-nous pour l'approvisionnement

Si vous souhaitez acheter nos cahiers pour vos projets PyTorch ou tout autre besoin de bureau, nous serions ravis de vous entendre. Contactez-nous pour démarrer une discussion sur l'approvisionnement et trouver les meilleures solutions d'ordinateurs portables pour vos besoins.

Références

• Documentation officielle de PyTorch (pytorch.org/docs)
• Documentation officielle de Jupyter Notebook (jupyter.org/documentation)
• Goodfellow, I., Bengio, Y. et Courville, A. (2016). Apprentissage profond. Presse du MIT.