Aprendizaje profundo desde cero

Capítulo 7. PyTorch

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

En los Capítulos 6 y 5, aprendiste cómo funcionaban las redes neuronales convolucionales y recurrentes implementándolas desde cero. Sin embargo, aunque entender cómo funcionan es necesario, ese conocimiento por sí solo no hará que funcionen en un problema del mundo real; para ello, necesitas ser capaz de implementarlas en una biblioteca de alto rendimiento. Podríamos dedicar un libro entero a construir una biblioteca de redes neuronales de alto rendimiento, pero ese sería un libro muy diferente (o simplemente mucho más largo), para un público muy diferente. En su lugar, dedicaremos este último capítulo a presentar PyTorch, un marco de trabajo de redes neuronales cada vez más popular basado en la diferenciación automática, que presentamos al principio del Capítulo 6.

Como en el resto del libro, escribiremos nuestro código de forma que se ajuste a los modelos mentales del funcionamiento de las redes neuronales, escribiendo clases para Layers, Trainers, etc. Al hacerlo, no escribiremos nuestro código de acuerdo con las prácticas comunes de PyTorch, pero incluiremos enlaces en el repositorio GitHub del libro para que aprendas más sobre cómo expresar redes neuronales de la forma en que PyTorch fue diseñado para expresarlas. Antes de llegar ahí, empecemos por aprender el tipo de datos del núcleo de PyTorch que permite su diferenciación automática y, ...