Wie verwende ich PyTorch in einem Notebook?

PyTorch hat sich zu einer führenden Open-Source-Bibliothek für maschinelles Lernen entwickelt und wird von Forschern und Entwicklern aufgrund seiner dynamischen Rechendiagramme und seiner Benutzerfreundlichkeit bevorzugt. Als Notebook-Anbieter sehe ich eine steigende Nachfrage von Kunden, die Notebooks zum Experimentieren mit PyTorch nutzen möchten. In diesem Blog führe ich Sie durch den Prozess der Verwendung von PyTorch in einer Notebook-Umgebung, unabhängig davon, ob es sich um eine physische Umgebung handeltA6 Ledertagebuchzum Notieren von Ideen oder ein digitales Notizbuch wie Jupyter Notebook für die eigentliche Codierung.

Warum ein Notebook für PyTorch verwenden?

Notebooks bieten einen einzigartigen Vorteil bei der Arbeit mit PyTorch. Sie bieten eine interaktive Umgebung, in der Sie Code in kleinen, überschaubaren Blöcken schreiben, ausführen und ändern können. Sie können auch Texterklärungen, Visualisierungen und Markdown-Zellen hinzufügen, um Ihren Denkprozess zu dokumentieren. Dies macht Notizbücher zu einem idealen Werkzeug zum Prototyping, zum Erkunden von Daten und zum Teilen Ihrer Arbeit mit anderen.

Einrichten Ihrer Umgebung

Bevor Sie PyTorch in einem Notebook verwenden können, müssen Sie Ihre Umgebung einrichten. Hier sind die Schritte:

1. Installieren Sie Python

PyTorch ist eine Python-Bibliothek, daher muss Python auf Ihrem System installiert sein. Sie können die neueste Version von Python von der offiziellen Python-Website (python.org) herunterladen. Es wird empfohlen, Python 3.6 oder höher zu verwenden.

2. Installieren Sie PyTorch

Es gibt mehrere Möglichkeiten, PyTorch zu installieren. Der einfachste Weg ist die Verwendung des offiziellen PyTorch-Installationsbefehls, den Sie auf der PyTorch-Website (pytorch.org) finden. Der Befehl variiert je nach Betriebssystem, CUDA-Version (wenn Sie GPU-Beschleunigung verwenden möchten) und dem von Ihnen bevorzugten Paketmanager (pip oder conda).

Wenn Sie beispielsweise pip auf einem reinen CPU-System verwenden, können Sie den folgenden Befehl verwenden:

Pip-Install Torch Torchvision

3. Installieren Sie eine Notebook-Umgebung

Es stehen mehrere Notebook-Umgebungen zur Verfügung, aber Jupyter Notebook ist die beliebteste. Sie können Jupyter Notebook mit pip installieren:

pip jupyter installieren

Nach der Installation können Sie Jupyter Notebook starten, indem Sie den folgenden Befehl in Ihrem Terminal ausführen:

Jupiter-Notizbuch

Dadurch wird ein neues Browserfenster mit dem Jupyter Notebook-Dashboard geöffnet, in dem Sie Ihre Notizbücher erstellen und verwalten können.

Erste Schritte mit PyTorch in einem Notebook

Nachdem Ihre Umgebung nun eingerichtet ist, beginnen wir mit der Verwendung von PyTorch in einem Notebook.

1. PyTorch importieren

Der erste Schritt in jedem PyTorch-Projekt ist der Import der Bibliothek. In einer Jupyter Notebook-Zelle können Sie dies wie folgt tun:

Taschenlampe importieren

Sie können auch andere nützliche Bibliotheken importieren, zFackelvisionfür Computer-Vision-Aufgaben:

Torchvision importieren, Torchvision.transforms als Transformationen importieren

2. Arbeiten mit Tensoren

Tensoren sind die grundlegende Datenstruktur in PyTorch. Sie ähneln NumPy-Arrays, können jedoch für schnellere Berechnungen auf GPUs verwendet werden. Sie können in PyTorch einen Tensor wie folgt erstellen:

# Erstelle einen 2x3-Tensor x = Torch.tensor([[1, 2, 3], [4, 5, 6]]) print(x)

Sie können verschiedene Operationen an Tensoren durchführen, z. B. Addition, Multiplikation und Umformung. Zum Beispiel:

# Addiere zwei Tensoren y = Torch.tensor([[7, 8, 9], [10, 11, 12]]) z = x + y print(z)

3. Aufbau eines einfachen neuronalen Netzwerks

Einer der häufigsten Anwendungsfälle von PyTorch ist der Aufbau neuronaler Netze. Hier ist ein einfaches Beispiel eines neuronalen Netzwerks zur Klassifizierung handgeschriebener Ziffern mithilfe des MNIST-Datensatzes:

import Torch.nn als nn Import Torch.nn.Functional als F # Definieren Sie eine einfache neuronale Netzwerkklasse 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() # Laden Sie den MNIST-Datensatz 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) # Definieren Sie die Verlustfunktion und das Optimiererkriterium = nn.CrossEntropyLoss() Optimizer = Torch.optim.SGD(net.parameters(), lr=0.001, Momentum=0.9) # Trainieren Sie das Netzwerk für die Epoche in Range(2): Running_loss = 0.0 für i, Daten in enumerate(trainloader, 0): Inputs, Labels = Daten Optimizer.zero_grad() Outputs = Net(Inputs) Verlust = Kriterium(Ausgaben, Labels) Loss.backward() Optimierer.step() Running_loss += Loss.item() if i % 200 == 199: print(f'[{epoch + 1}, {i + 1:5d}] Loss: {running_loss / 200:.3f}') running_loss = 0.0 print('Abgeschlossenes Training')

Verwendung von Notizbüchern zur Dokumentation und zum Experimentieren

Als Notebook-Lieferant weiß ich, wie wichtig es ist, Notebooks nicht nur zum Codieren, sondern auch zur Dokumentation und zum Experimentieren zu verwenden. Sie können Markdown-Zellen in Jupyter Notebook verwenden, um detaillierte Erklärungen Ihres Codes zu schreiben, Ihre Experimente zu dokumentieren und Ihre Ergebnisse zu teilen.

Sie können beispielsweise eine Markdown-Zelle schreiben, um den Zweck des gerade erstellten neuronalen Netzwerks zu erläutern:

### Erklärung des neuronalen Netzwerks Das von uns erstellte neuronale Netzwerk ist ein einfaches Feed-Forward-Netzwerk mit zwei vollständig verbundenen Schichten. Die erste Ebene nimmt eine Eingabe der Größe 784 (das abgeflachte Bild einer 28x28 handgeschriebenen Ziffer) und ordnet sie 128 versteckten Einheiten zu. Die zweite Ebene ordnet die 128 verborgenen Einheiten 10 Ausgabeeinheiten zu, entsprechend den 10 Ziffernklassen (0–9). Wir haben die ReLU-Aktivierungsfunktion in der ersten Ebene verwendet, um Nichtlinearität einzuführen, und die Ausgabeebene verwendet die Softmax-Funktion implizit über die Funktion „CrossEntropyLoss“.

Sie können Notebooks auch verwenden, um mit verschiedenen Hyperparametern zu experimentieren, z. B. Lernrate, Stapelgröße und Anzahl versteckter Einheiten. Indem Sie Ihre Experimente in einem Notizbuch verfolgen, können Sie die Ergebnisse einfach vergleichen und die beste Konfiguration auswählen.

Unser Notebook-Angebot

Als Notebook-Anbieter bieten wir eine breite Palette an Notebooks an, die für die PyTorch-Entwicklung verwendet werden können. Ob Sie ein benötigenSpiralnotizbuch mit Hardcoverzum Notieren während Ihrer Codierungssitzungen oderTransparente HaftnotizenWenn Sie wichtige Codefragmente markieren möchten, sind Sie bei uns genau richtig.

Unsere Notizbücher werden aus hochwertigen Materialien hergestellt und sind so konzipiert, dass sie den Bedürfnissen von Profis und Studenten gleichermaßen gerecht werden. Sie sind in verschiedenen Größen, Farben und Stilen erhältlich, sodass Sie diejenige auswählen können, die Ihren Vorlieben entspricht.

Kontaktieren Sie uns für die Beschaffung

Wenn Sie daran interessiert sind, unsere Notebooks für Ihre PyTorch-Projekte oder andere Bürobedürfnisse zu kaufen, würden wir uns freuen, von Ihnen zu hören. Kontaktieren Sie uns, um ein Beschaffungsgespräch zu starten und die besten Notebook-Lösungen für Ihre Anforderungen zu finden.

Referenzen

• Offizielle PyTorch-Dokumentation (pytorch.org/docs)
• Offizielle Dokumentation zum Jupyter Notebook (jupyter.org/documentation)
• Goodfellow, I., Bengio, Y. & Courville, A. (2016). Tiefes Lernen. MIT Press.