PyTorch: фреймворк машинного обучения на Python

PyTorch - это фреймворк для машинного обучения и научных вычислений, который базируется на языке программирования Python. Он был создан в 2016 году и разработан командой Facebook AI Research. Большим преимуществом PyTorch является его динамический граф вычислений, который позволяет создавать гибкие и эффективные модели машинного обучения.

Пример кода для обучения модели нейронной сети в PyTorch:

import torch

import torch.nn as nn

import torch.optim as optim

# Определяем архитектуру нейронной сети

class Net(nn.Module):

def __init__(self):

super(Net, self).__init__()

self.conv1 = nn.Conv2d(3, 6, 5)

self.pool = nn.MaxPool2d(2, 2)

self.conv2 = nn.Conv2d(6, 16, 5)

self.fc1 = nn.Linear(16 * 5 * 5, 120)

self.fc2 = nn.Linear(120, 84)

self.fc3 = nn.Linear(84, 10)

def forward(self, x):

x = self.pool(F.relu(self.conv1(x)))

x = self.pool(F.relu(self.conv2(x)))

x = x.view(-1, 16 * 5 * 5)

x = F.relu(self.fc1(x))

x = F.relu(self.fc2(x))

x = self.fc3(x)

return x

# Задаем данные для обучения

train_data = torchvision.datasets.CIFAR10(root='./data', train=True,

download=True, transform=transform)

train_loader = torch.utils.data.DataLoader(train_data, batch_size=4,

shuffle=True, num_workers=2)

# Инициализируем нейронную сеть и задаем функцию потерь и оптимизатор

net = Net()

criterion = nn.CrossEntropyLoss()

optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# Начинаем обучение

for epoch in range(2):

running_loss = 0.0

for i, data in enumerate(train_loader, 0):

inputs, labels = data

optimizer.zero_grad()

outputs = net(inputs)

loss = criterion(outputs, labels)

loss.backward()

optimizer.step()

running_loss += loss.item()

if i % 2000 == 1999:

print('[%d, %5d] loss: %.3f' %

(epoch + 1, i + 1, running_loss / 2000))

running_loss = 0.0

print('Обучение закончено')