Primeros pasos con Pytorch usando Colab Part III

En este artículo hablaré de Pytorch, Autograd para poder entender como funciona usando “Google Colab” como interface de desarrollo.

Álgebra lineal

Es una forma de matemática continua en lugar de discreta, muchos científicos informáticos tienen poca experiencia con ella. Una buena comprensión del álgebra lineal es esencial para entender y trabajar con muchos algoritmos de aprendizaje automático, especialmente los algoritmos de aprendizaje profundo.

fuente(https://bit.ly/2GDPKMz)

Variable

es construir un gráfico computacional, pero este gráfico es dinámico en comparación con un gráfico estático en Tensorflow o Theano.
Por lo tanto en pytorch no tiene un marcador de posición, en pytorch solo puede pasar una variable al gráfico computacional.

fuente(https://bit.ly/2ERWDrG)

Autograd

El paquete autograd dentro de pytorch proporciona diferenciación automática para todas las operaciones en Tensores. Es un marco por ejecución, lo que significa que su backprop se define de cómo se ejecuta su código y que cada iteración puede ser diferente.

fuente(https://bit.ly/2GIJpPR)

require_grad

Se implementa las funciones relacionadas con el gráfico computacional en el módulo autograd. La estructura dentro de pytorch en autograd es Variable. Variable y Tensor se han fusionado. Así podemos pensar que el tensor que requiere el requerido (require_grad) es Variable.
Autograd registra la operación del tensor para construir el gráfico de cálculo.

Post referencias

Getting Started with PyTorch Part 1: Understanding how Automatic Differentiation works

¿Qué es Google Colab?

Colaboratory es un entorno gratuito de Jupyter Notebook que no requiere configuración y que se ejecuta completamente en la nube.

ejemplo:

Google Colaboratory

INSTALACIÓN

Funciones

Importar librerías

requires_grad

Adicción tensor 3x3

Adicción tensor 4x4

Multiplicación

Gradiente

Gráfico

Gráfico NN

LIBRO DE AYUDA

Concepts and Programming in PyTorch

Natural Language Processing with PyTorch

CONCLUSIÓN

Espero les haya gustado este artículo de Pytorch y Colab y el uso de autograd
A continuación estaré publicando algunos artículos más específicos para PyTorch hasta crear pequeñas aplicaciones , así como jugar con la imaginación de crear algo.

Continuar leyendo

pytorch Part 2( aquí)

pytorch Part 4( aquí)

REFERENCIAS

1. https://documen.tician.de/pycuda/
2. https://www.joyk.com/dig/detail/74093l
3. https://www.aiworkbox.com/lessons/cast-a-pytorch-tensor-to-another-type
4. https://pytorch.org/blog/a-year-in/
5. https://openreview.net/pdf?id=BJJsrmfCZ
6. https://deepsense.ai/keras-or-pytorch/

linkedin:

Jonathan Quiza | LinkedIn

Gracias