Introducción a PyTorch y tensores

¿Qué es PyTorch?

• PyTorch es un marco de aprendizaje automático de código abierto.
• Está basado en la biblioteca Torch.
• Meta AI es el desarrollador principal.
• Se utiliza en aplicaciones como el procesamiento del lenguaje natural y la visión artificial.
• Es gratuito y de código abierto bajo la licencia BSD modificada.

Empezando

• Para instalar PyTorch, se deben seguir las instrucciones en el sitio web oficial.
• Es importante elegir la configuración correcta para tu sistema.

Tensores

• Los tensores son similares a los ndarrays de NumPy.
• Se pueden utilizar en una GPU para acelerar los cálculos.
• Se puede crear un tensor directamente desde datos, usando torch.tensor(data).
• Se puede crear un tensor desde un ndarray de NumPy, usando torch.from_numpy(np_array).
• Para crear un tensor de unos se usa torch.ones_like(x_data). Esto conserva las propiedades de x_data.
• Para crear un tensor de ceros se usa torch.zeros_like(x_data). Esto conserva las propiedades de x_data.
• Para crear un tensor con valores aleatorios se usa torch.rand_like(x_data, dtype=torch.float). Con esto se reemplaza el tipo de dato de x_data.
• Los atributos de un tensor son la forma, el tipo de dato y el dispositivo en el que se almacena.

Operaciones

• Se puede mover un tensor a la GPU si está disponible, usando tensor.to("cuda").
• Para indexar y hacer slicing de un tensor, se usa la notación de corchetes, por ejemplo: tensor[:,1] = 0.
• Para unir tensores, se usa torch.cat([tensor, tensor, tensor], dim=1).
• Operaciones aritméticas en tensores:
  • Producto matricial: tensor @ tensor.T o tensor.matmul(tensor.T).
  • Producto por elementos: tensor * tensor o tensor.mul(tensor).
• Conversion entre tensores y NumPy arrays:
  • Tensor a NumPy array: tensor.numpy().
  • NumPy array a Tensor: torch.from_numpy(n).

Conjuntos de datos y DataLoaders

• Se puede iterar sobre el conjunto de datos usando DataLoader.
• Un conjunto de datos personalizado se puede crear definiendo una clase que herede de Dataset.
• Esta clase debe implementar los métodos __init__, __len__ y __getitem__.
• DataLoader se utiliza para iterar sobre el conjunto de datos en lotes, usando DataLoader(dataset, batch_size=32, shuffle=True).
• Se puede iterar sobre el DataLoader y hacer algo con los datos.

Construyendo modelos

• Se puede definir una clase de modelo que herede de nn.Module.
• Esta clase debe implementar los métodos __init__ y forward.
• __init__ define las capas del modelo.
• forward define cómo se propagan los datos a través del modelo.
• Se crea una instancia del modelo: model = NeuralNetwork().

Optimizando el modelo

• Se debe inicializar la función de perdida, por ejemplo: loss_fn = nn.CrossEntropyLoss().
• Se debe inicializar el optimizador, por ejemplo: optimizer = torch.optim.SGD(model.parameters(), lr=1e-3).
• El bucle de entrenamiento implica:
  • Mover los datos al dispositivo correcto: X, y = X.to(device), y.to(device).
  • Calcular la predicción y la pérdida: pred = model(X); loss = loss_fn(pred, y).
  • Propagación hacia atrás: optimizer.zero_grad(); loss.backward(); optimizer.step().
• El bucle de prueba implica calcular la precisión y la pérdida promedio en el conjunto de prueba.
• Los bucles de entrenamiento y prueba se ejecutan durante varias épocas.

Guardando y cargando modelos

• Para guardar el modelo, se usa torch.save(model.state_dict(), "model.pth").
• Para cargar el modelo guardado, se debe crear una instancia del modelo y luego cargar el diccionario de estado, usando model.load_state_dict(torch.load("model.pth")).
• Una vez cargado el modelo, se debe poner en modo de evaluación, usando model.eval().

Más información

• Este documento proporciona enlaces a recursos adicionales, incluyendo el sitio web oficial de pytorch, tutoriales, documentación y comunidades.