PyTorch - Terminolojiler

Bu bölümde, PyTorch'ta en sık kullanılan terimlerden bazılarını tartışacağız.

PyTorch NumPy

Bir PyTorch tensörü, bir NumPy dizisi ile aynıdır. Bir tensör, n boyutlu bir dizidir ve PyTorch'a göre, bu tensörler üzerinde çalışmak için birçok işlev sağlar.

PyTorch tensörleri, sayısal hesaplamalarını hızlandırmak için genellikle GPU'ları kullanır. PyTorch'da oluşturulan bu tensörler, iki katmanlı bir ağı rastgele verilere uydurmak için kullanılabilir. Kullanıcı, ağ üzerinden ileri ve geri geçişleri manuel olarak uygulayabilir.

Değişkenler ve Autograd

Otomatik derecelendirmeyi kullanırken, ağınızın ileri geçişi bir computational graph - Grafikteki düğümler Tensörler olacaktır ve kenarlar, giriş Tensörlerinden çıkış Tensörleri üreten fonksiyonlar olacaktır.

PyTorch Tensörleri, bir değişkenin hesaplama grafiğindeki bir düğümü temsil ettiği değişken nesneler olarak oluşturulabilir.

Dinamik Grafikler

Statik grafikler güzeldir çünkü kullanıcı grafiği önceden optimize edebilir. Programcılar aynı grafiği tekrar tekrar kullanıyorsa, bu potansiyel olarak maliyetli ön optimizasyon, aynı grafik tekrar tekrar çalıştırıldığı için sürdürülebilir.

Aralarındaki en büyük fark, Tensor Flow'un hesaplama grafiklerinin statik olması ve PyTorch'un dinamik hesaplama grafikleri kullanmasıdır.

Optim Paketi

PyTorch'daki optim paketi, birçok şekilde uygulanan bir optimizasyon algoritması fikrini özetler ve yaygın olarak kullanılan optimizasyon algoritmalarının örneklerini sunar. Bu, import ifadesi içinde çağrılabilir.

Çoklu işlem

Çoklu işlem, aynı işlemleri destekler, böylece tüm tensörler birden fazla işlemci üzerinde çalışır. Kuyruk, verilerini paylaşılan belleğe taşıyacak ve yalnızca başka bir işleme bir tanıtıcı gönderecektir.