PyTorch - Terminologias
Neste capítulo, discutiremos alguns dos termos mais comumente usados no PyTorch.
PyTorch NumPy
Um tensor PyTorch é idêntico a um array NumPy. Um tensor é um array n-dimensional e com relação a PyTorch, ele fornece muitas funções para operar nesses tensores.
Os tensores PyTorch geralmente utilizam GPUs para acelerar seus cálculos numéricos. Esses tensores que são criados no PyTorch podem ser usados para ajustar uma rede de duas camadas a dados aleatórios. O usuário pode implementar manualmente as passagens para frente e para trás pela rede.
Variáveis e Autograd
Ao usar o autograd, a passagem para a frente de sua rede definirá um computational graph - os nós no gráfico serão tensores e as arestas serão funções que produzem tensores de saída a partir de tensores de entrada.
Os tensores PyTorch podem ser criados como objetos variáveis em que uma variável representa um nó no gráfico computacional.
Gráficos Dinâmicos
Os gráficos estáticos são bons porque o usuário pode otimizar o gráfico desde o início. Se os programadores estiverem reutilizando o mesmo gráfico repetidamente, essa otimização inicial potencialmente cara pode ser mantida, já que o mesmo gráfico é executado continuamente.
A principal diferença entre eles é que os gráficos computacionais do Tensor Flow são estáticos e o PyTorch usa gráficos computacionais dinâmicos.
Pacote Optim
O pacote otim em PyTorch abstrai a ideia de um algoritmo de otimização que é implementado de várias maneiras e fornece ilustrações de algoritmos de otimização comumente usados. Isso pode ser chamado na instrução de importação.
Multiprocessamento
O multiprocessamento suporta as mesmas operações, para que todos os tensores funcionem em vários processadores. A fila terá seus dados movidos para a memória compartilhada e enviará apenas um identificador para outro processo.