PyTorch bir dizüstü bilgisayarda nasıl kullanılır?

PyTorch, dinamik hesaplamalı grafikleri ve kullanım kolaylığı nedeniyle araştırmacılar ve geliştiriciler tarafından tercih edilen, lider bir açık kaynak makine öğrenimi kütüphanesi olarak ortaya çıktı. Bir dizüstü bilgisayar tedarikçisi olarak, PyTorch'u denemek için dizüstü bilgisayar kullanmak isteyen müşterilerden gelen talebin arttığını gördüm. Bu blogda, ister fiziksel olsun, ister dizüstü bilgisayar ortamında PyTorch'u kullanma süreci boyunca size rehberlik edeceğim.A6 Deri Dergisifikirleri not almak için veya gerçek kodlama için Jupyter Notebook gibi bir dijital not defteri.

Neden PyTorch için Not Defteri Kullanmalı?

Dizüstü bilgisayarlar PyTorch ile çalışırken benzersiz bir avantaj sunar. Küçük, yönetilebilir parçalar halinde kod yazabileceğiniz, çalıştırabileceğiniz ve değiştirebileceğiniz etkileşimli bir ortam sağlarlar. Ayrıca düşünce sürecinizi belgelemek için metin açıklamaları, görselleştirmeler ve işaretleme hücreleri de ekleyebilirsiniz. Bu, not defterlerini prototip oluşturmak, verileri keşfetmek ve çalışmanızı başkalarıyla paylaşmak için ideal bir araç haline getirir.

Ortamınızı Kurma

PyTorch'u bir dizüstü bilgisayarda kullanmaya başlamadan önce ortamınızı ayarlamanız gerekir. İşte adımlar:

1. Python'u yükleyin

PyTorch bir Python kütüphanesidir, dolayısıyla sisteminizde Python'un kurulu olması gerekir. Python'un en son sürümünü resmi Python web sitesinden (python.org) indirebilirsiniz. Python 3.6 veya üstünü kullanmanız önerilir.

2. PyTorch'u yükleyin

PyTorch'u kurmanın birkaç yolu vardır. En kolay yol, PyTorch web sitesinde (pytorch.org) bulabileceğiniz resmi PyTorch kurulum komutunu kullanmaktır. Komut, işletim sisteminize, CUDA sürümünüze (GPU hızlandırmayı kullanmak istiyorsanız) ve tercih ettiğiniz paket yöneticisine (pip veya conda) bağlı olarak değişecektir.

Örneğin, yalnızca CPU içeren bir sistemde pip kullanıyorsanız aşağıdaki komutu kullanabilirsiniz:

pip kurulum meşale torchvision

3. Bir Dizüstü Bilgisayar Ortamı Kurun

Çeşitli dizüstü bilgisayar ortamları mevcuttur ancak Jupyter Notebook en popüler olanıdır. Jupyter Notebook'u pip kullanarak yükleyebilirsiniz:

pip kurulumu jüpyter

Kurulduktan sonra Jupyter Notebook'u terminalinizde aşağıdaki komutu çalıştırarak başlatabilirsiniz:

jüpiter not defteri

Bu, not defterlerinizi oluşturabileceğiniz ve yönetebileceğiniz Jupyter Notebook kontrol panelini içeren yeni bir tarayıcı penceresi açacaktır.

Bir Defterde PyTorch'a Başlarken

Artık ortamınız ayarlandığına göre PyTorch'u bir not defterinde kullanmaya başlayalım.

1. PyTorch'u İçe Aktarma

Herhangi bir PyTorch projesinde ilk adım kütüphaneyi içe aktarmaktır. Jupyter Notebook hücresinde bunu şu şekilde yapabilirsiniz:

ithalat meşale

Ayrıca aşağıdakiler gibi diğer yararlı kitaplıkları da içe aktarabilirsiniz:meşale görüşübilgisayarlı görme görevleri için:

torchvision'ı içe aktar torchvision.transforms'u dönüşüm olarak içe aktar

2. Tensörlerle Çalışmak

Tensörler PyTorch'un temel veri yapısıdır. NumPy dizilerine benzerler ancak daha hızlı hesaplama için GPU'larda kullanılabilirler. PyTorch'ta şöyle bir tensör oluşturabilirsiniz:

# 2x3'lük bir tensör oluşturun x = torch.tensor([[1, 2, 3], [4, 5, 6]]) print(x)

Tensörler üzerinde toplama, çarpma, yeniden şekillendirme gibi çeşitli işlemler gerçekleştirebilirsiniz. Örneğin:

# İki tensör ekleyin y = torch.tensor([[7, 8, 9], [10, 11, 12]]) z = x + y print(z)

3. Basit Bir Sinir Ağı Oluşturmak

PyTorch'un en yaygın kullanım durumlarından biri sinir ağları oluşturmaktır. MNIST veri kümesini kullanarak elle yazılan rakamları sınıflandırmaya yönelik basit bir sinir ağı örneği:

import torch.nn as nn import torch.nn.function as F # Basit bir sinir ağı sınıfı tanımlayın 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() # MNIST veri kümesini yükleyin 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) # Kayıp fonksiyonunu ve optimize edici kriterini tanımlayın = nn.CrossEntropyLoss() optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9) # Ağı şu şekilde eğitin: epoch in range(2): Running_loss = 0,0 for i, enumerate(trainloader, 0) içindeki veriler: girişler, etiketler = veri optimizer.zero_grad() çıkışlar = net(girişler) kayıp = kriter(çıkışlar, etiketler) lost.backward() optimizer.step() koşu_loss += lost.item() if i % 200 == 199: print(f'[{epoch + 1}, {i + 1:5d}] kayıp: {running_loss / 200:.3f}') Running_loss = 0,0 print('Biten Eğitim')

Belgeleme ve Deneme için Not Defterlerini Kullanma

Bir dizüstü bilgisayar tedarikçisi olarak dizüstü bilgisayarları yalnızca kodlama için değil aynı zamanda belgeleme ve deneme amacıyla da kullanmanın önemini anlıyorum. Kodunuzun ayrıntılı açıklamalarını yazmak, deneylerinizi belgelemek ve bulgularınızı paylaşmak için Jupyter Notebook'taki işaretleme hücrelerini kullanabilirsiniz.

Örneğin, yeni oluşturduğunuz sinir ağının amacını açıklamak için bir işaretleme hücresi yazabilirsiniz:

### Sinir Ağının Açıklaması Oluşturduğumuz sinir ağı, tamamen bağlantılı iki katmana sahip basit bir ileri beslemeli ağdır. İlk katman, 784 boyutunda bir girdi (28x28 el yazısı rakamının düzleştirilmiş görüntüsü) alır ve onu 128 gizli birimle eşleştirir. İkinci katman, 128 gizli birimi, 10 basamaklı sınıflara (0 - 9) karşılık gelen 10 çıktı birimine eşler. Doğrusal olmayışı sağlamak için ilk katmanda ReLU aktivasyon fonksiyonunu kullandık ve çıktı katmanı softmax fonksiyonunu 'CrossEntropyLoss' fonksiyonu aracılığıyla örtülü olarak kullanıyor.

Not defterlerini, öğrenme oranı, toplu iş boyutu ve gizli birimlerin sayısı gibi farklı hiper parametrelerle denemeler yapmak için de kullanabilirsiniz. Deneylerinizi bir not defterinde takip ederek sonuçları kolayca karşılaştırabilir ve en iyi konfigürasyonu seçebilirsiniz.

Dizüstü Bilgisayar Tekliflerimiz

Bir dizüstü bilgisayar tedarikçisi olarak PyTorch geliştirme için kullanılabilecek geniş bir dizüstü bilgisayar yelpazesi sunuyoruz. İhtiyacınız olup olmadığıCiltli Spiral DefterKodlama oturumlarınız sırasında not almak için veyaYapışkan Şeffaf NotlarÖnemli kod parçacıklarını işaretleme konusunda yanınızdayız.

Defterlerimiz yüksek kaliteli malzemelerden yapılmış olup hem profesyonellerin hem de öğrencilerin ihtiyaçlarını karşılayacak şekilde tasarlanmıştır. Çeşitli boyut, renk ve stillerde gelirler, böylece tercihlerinize uygun olanı seçebilirsiniz.

Tedarik İçin Bize Ulaşın

PyTorch projeleriniz veya diğer ofis ihtiyaçlarınız için dizüstü bilgisayarlarımızı satın almakla ilgileniyorsanız, sizden haber almaktan memnuniyet duyarız. Bir satın alma görüşmesi başlatmak ve gereksinimlerinize en uygun dizüstü bilgisayar çözümlerini bulmak için bizimle iletişime geçin.

Referanslar

• PyTorch resmi belgeleri (pytorch.org/docs)
• Jupyter Notebook resmi belgeleri (jupyter.org/documentation)
• Goodfellow, I., Bengio, Y. ve Courville, A. (2016). Derin Öğrenme. MİT Basın.