Introdução

O avanço do interesse Aprendizagem profunda nos últimos anos e a explosão de ferramentas de Machine Learning como TensorFlow, PyTorch, etc., também serão citadas, o que proporcionará facilidade de uso e fácil depuração de códigos.

Muitas estruturas populares, como MxNet, Tensorflow, Jax, PaddlePaddle, Caffe 2, Mindspore e Theano, ganharão popularidade porque construirão um gráfico de fluxo de dados estático que representa a computação e que pode ser aplicado a lotes de dados. Embora eles forneçam visibilidade em toda a computação e teoricamente, eles são aproveitados com desempenho e escalabilidade aprimorados. Isso terá o custo de flexibilidade, facilidade de depuração e facilidade de uso.

Este artigo fornece informações sobre o Pytorch, que é uma estrutura de Machine Learning escrita em Python. Como a maioria das estruturas de Deep Learning se concentra na usabilidade ou na velocidade, Pytorch mostra que esses dois objetivos são compatíveis: ele é projetado para oferecer suporte ao estilo de programação imperativo e Pythonic, que suportará códigos como modelos, o que facilita a depuração e permanecerá eficiente e compatível ferramentas de aceleradores de hardware como GPU (Graphic Processing Unit) e TPU (Tensor Processing Units).

Várias bibliotecas Python são construídas sobre o PyTorch, como a visão da tocha, Timm para visão computacional, texto da tocha e rosto abraçado para texto e áudio da tocha para fala, que são o que dão poder ao PyTorch.

Este artigo foi publicado como parte do Blogatona de Ciência de Dados.

Conteúdo

1. Por que Pytorch?
2. Por que os tensores são importantes para ML e DL?

Por que Pytorch?

• É a estrutura de aprendizado profundo de pesquisa mais popular.
• Capaz de acessar muitos modelos de aprendizado profundo pré-construídos (Torch Hub/tocha-vision.models).
• Pilha inteira: pré-processar dados, modelar dados, implantar modelo em seu aplicativo/nuvem.
• Originalmente projetado e usado internamente pelo Facebook/Meta (agora de código aberto e usado por empresas como Tesla, Microsoft e Open AI).
• O PyTorch minimiza a sobrecarga cognitiva enquanto se concentra na flexibilidade e na velocidade.
• Desde o lançamento do PyTorch no início de 2017, ele ganhará popularidade.

Tendências crescentes da Pytorch desde o seu lançamento.

tensor

Tensor é um bloco de construção fundamental do Pytorch e é basicamente o mesmo que um Matriz Numpy. É usado principalmente para converter imagens, áudio em uma forma matemática usada para processamento, pois os computadores não entendem imagens, mas números padrão. Portanto, é importante converter imagens em formas numéricas.

Um dos recursos importantes oferecidos pelos tensores é que eles podem armazenar o rastreamento de todas as operações realizadas neles, o que ajuda a calcular a saída otimizada; isso pode ser feito usando a funcionalidade Autograd de um tensor.

Em termos simplistas, scaler – vetor – matrizes – tensor como fluxo

1. Scaler é um vetor 0-dimensional.

2. O vetor é um vetor unidimensional.

3. As matrizes são vetores bidimensionais.

4. Tensores são tensores N-dimensionais generalizados.

Casos de uso de tensores

Pytorch é um Google Collab integrado, agora veremos como usar seus códigos básicos para trabalhar nos Tensores Pytorch.

1. Importando o Pytorch e obtendo sua versão.

 import torch print(torch.__version__) # Output 1.13.1+cu116

2. Criando um scaler no Pytorch.

scaler = torch.tensor(7)
scaler
# Output
tensor(7)

3. Criando um tensor em Pytorch.

vector = torch.tensor([7,7])
vector
# output
tensor([7, 7])

4. Para obter as dimensões no Torch, podemos usar:

vector.ndim
# output
1

5. Para obter a forma de um vetor no Torch.

vector.shape
# Output
torch.Size([2])

6. Para obter a matriz em Pytorch.

Matrix = torch.tensor([[1,7], [2,7]])
# output
tensor([[1, 7], [2, 7]])

7. Para criar números aleatórios em Pytorch.

random = torch.rand(7)
# output
tensor([0.0324, 0.9962, 0.0709, 0.7007, 0.6523, 0.0256, 0.4912])

8. Implemente funções embutidas como multiplicação, adição e subtração no tensor.

9. Criando um tensor flutuante.

torch.FloatTensor([1.1, 1.2, 1.3])
# Output
tensor([1.1000, 1.2000, 1.3000])

10. Criando um intervalo de números usando Pytorch.

torch.arange(0,10) # Output
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

Por que os tensores PyTorch são importantes para ML e DL?

Em um problema de aprendizado de máquina supervisionado, temos dados organizados em linhas e colunas com alguns valores de destino (pode ser uma classificação binária como Verdadeiro/Falso, Sim/Não ou pode ser uma entidade numérica). Como sabemos, para processar algoritmos de aprendizado de máquina, os dados devem ser inseridos em formas matemáticas. Uma tabela é naturalmente semelhante a uma matriz 2-D na qual cada linha (instância) ou coluna (Recurso) pode ser ensinada como vetores 1-D, pois o algoritmo de aprendizado de máquina entenderá apenas dígitos numéricos, imagens em preto e branco podem ser tratadas como uma matriz 2-D contendo os números 0 e 1 e alimentada em uma rede neural para classificação ou segmentação de imagens.

Dados de sequência ou dados de série temporal são outro exemplo em que, em dados 2-D, uma dimensão (tempo) é fixa. Por exemplo:

1. Dados de Ecg em máquinas de monitoramento.

2. Um fluxo de dados de rastreamento de preços de mercado de ações.

Estes são exemplos de uso de tensores 2-D em aprendizado de máquina clássico (regressão linear, árvore de decisão, máquina de vetores de suporte, floresta aleatória, regressão logística etc.) e algoritmos de aprendizado profundo.

Uma imagem colorida ou em tons de cinza será considerada um tensor 3D. Um tensor 3-D (ou um tensor de classificação 3) é um cubo ou uma matriz de matrizes como esta.

Em um tensor 3-D, cada Pixel está associado a 'canais de cor' – um vetor de 3 números representando intensidades em Vermelho-Verde-Azul (matriz RGB). Um pixel é comumente colorido pela quantidade ordenada de vermelho, verde e azul dentro dos limites de um byte singular. Essas matrizes de valor de 0 a 255 se parecerão com [255,255,255] para números inteiros. Quando nosso tensor é o tipo de dados int32, este é o método de interpretação usado, e quando nosso tensor é o tipo de dados float32, o valor associado será assumido no intervalo de 0-1. Assim, um inteiro [255,255,255] representará o branco puro, mas em float será representado como [1,1,1] para o branco puro.

Isso implica que um tensor 3D é necessário para armazenar imagens. Cada pixel de três valores deve ser salvo com a largura e altura especificadas. Você precisará decidir qual formato é melhor usar, assim como fez com o quebra-cabeça do jogo da velha. É procedimento padrão no TensorFlow e no TensorFlow.js salvar os valores RGB na dimensão final de um tensor. Além disso, é comum armazenar os valores das dimensões de altura, largura e cor nessa ordem. Embora o endereçamento de linhas e colunas seja a sequência de referência organizacional tradicional para matrizes, isso pode parecer estranho para fotos.

Da mesma forma, o vídeo pode ser pensado como uma sequência de imagens coloridas ou um quadro no tempo, e o vídeo pode ser ensinado como tensores 4-D.

Em outras palavras, tensores multidimensionais podem representar facilmente vários tipos de dados do mundo físico, incluindo dados de sensores e instrumentos, dados comerciais e financeiros e dados de experimentos científicos ou sociais, tornando-os adequados para processamento por algoritmos ML/DL dentro um computador.

Conclusão

Pytorch é um framework de Machine Learning escrito em Python. Várias bibliotecas Python, como o arch-vision e o Timm para visão computacional, são construídas sobre o PyTorch. Ele é capaz de acessar muitos modelos de aprendizado profundo pré-construídos. O Pytorch pode pré-processar dados, modelar dados e implantar modelos em seu aplicativo/nuvem. Tensor é um bloco de construção fundamental do Pytorch e é basicamente o mesmo que um array Numpy. É usado principalmente para converter imagens, áudio em uma forma matemática usada para processamento de computador. Uma imagem colorida ou em tons de cinza será considerada um tensor 3D e um vídeo será considerado um tensor 4D.

A mídia mostrada neste artigo não é propriedade da Analytics Vidhya e é usada a critério do Autor. 

Relacionado

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. Acesse aqui.
• Fonte: https://www.analyticsvidhya.com/blog/2023/03/pytorch-tensors-and-its-operations/