¿Cómo usar PyTorch en un cuaderno?

Dec 15, 2025

Dejar un mensaje

PyTorch se ha convertido en una biblioteca líder de aprendizaje automático de código abierto, favorecida por investigadores y desarrolladores por sus gráficos computacionales dinámicos y su facilidad de uso. Como proveedor de portátiles, he visto una demanda cada vez mayor por parte de los clientes que quieren utilizar portátiles para experimentar con PyTorch. En este blog, lo guiaré a través del proceso de uso de PyTorch en un entorno de notebook, ya sea físicoDiario de cuero A6para anotar ideas o un cuaderno digital como Jupyter Notebook para codificación real.

¿Por qué utilizar una computadora portátil para PyTorch?

Los portátiles ofrecen una ventaja única cuando se trabaja con PyTorch. Proporcionan un entorno interactivo donde puede escribir, ejecutar y modificar código en fragmentos pequeños y manejables. También puede agregar explicaciones de texto, visualizaciones y celdas de rebajas para documentar su proceso de pensamiento. Esto convierte a los cuadernos en una herramienta ideal para crear prototipos, explorar datos y compartir su trabajo con otros.

Configurando su entorno

Antes de poder comenzar a usar PyTorch en una computadora portátil, debe configurar su entorno. Aquí están los pasos:

1. Instale Python

PyTorch es una biblioteca de Python, por lo que debes tener Python instalado en tu sistema. Puede descargar la última versión de Python desde el sitio web oficial de Python (python.org). Se recomienda utilizar Python 3.6 o superior.

2. Instale PyTorch

Hay varias formas de instalar PyTorch. La forma más sencilla es utilizar el comando de instalación oficial de PyTorch, que puede encontrar en el sitio web de PyTorch (pytorch.org). El comando variará según su sistema operativo, la versión de CUDA (si desea utilizar la aceleración de GPU) y el administrador de paquetes que prefiera (pip o conda).

Por ejemplo, si está usando pip en un sistema de solo CPU, puede usar el siguiente comando:

pip instalar antorcha torchvision

3. Instalar un entorno portátil

Hay varios entornos de portátiles disponibles, pero Jupyter Notebook es el más popular. Puede instalar Jupyter Notebook usando pip:

pip instalar jupyter

Una vez instalado, puede iniciar Jupyter Notebook ejecutando el siguiente comando en su terminal:

cuaderno jupyter

Esto abrirá una nueva ventana del navegador con el panel de Jupyter Notebook, donde podrá crear y administrar sus cuadernos.

Comenzando con PyTorch en un cuaderno

Ahora que su entorno está configurado, comencemos a usar PyTorch en una computadora portátil.

1. Importación de PyTorch

El primer paso en cualquier proyecto de PyTorch es importar la biblioteca. En una celda de Jupyter Notebook, puede hacer esto de la siguiente manera:

importar antorcha

También puede importar otras bibliotecas útiles, comovisión de antorchapara tareas de visión por computadora:

importar torchvision importar torchvision.transforms como transformaciones

2. Trabajar con tensores

Los tensores son la estructura de datos fundamental en PyTorch. Son similares a las matrices NumPy pero se pueden usar en GPU para un cálculo más rápido. Puedes crear un tensor en PyTorch como este:

# Crea un tensor de 2x3 x = torch.tensor([[1, 2, 3], [4, 5, 6]]) print(x)

Puede realizar varias operaciones con tensores, como suma, multiplicación y remodelación. Por ejemplo:

# Suma dos tensores y = torch.tensor([[7, 8, 9], [10, 11, 12]]) z = x + y print(z)

3. Construyendo una red neuronal simple

Uno de los casos de uso más comunes de PyTorch es la creación de redes neuronales. A continuación se muestra un ejemplo sencillo de una red neuronal para clasificar dígitos escritos a mano utilizando el conjunto de datos MNIST:

import torch.nn as nn import torch.nn.function as F # Definir una clase de red neuronal simple 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() # Cargar el conjunto de datos MNIST 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) # Definir la función de pérdida y el criterio del optimizador = nn.CrossEntropyLoss() optimizador = torch.optim.SGD(net.parameters(), lr=0.001, impulse=0.9) # Entrenar la red para la época en el rango(2): running_loss = 0.0 para i, datos en enumerate(trainloader, 0): entradas, etiquetas = optimizador de datos.zero_grad() salidas = net(entradas) pérdida = criterio(salidas, etiquetas) loss.backward() optimizador.step() running_loss += loss.item() if i % 200 == 199: print(f'[{época + 1}, {i + 1:5d}] pérdida: {running_loss / 200:.3f}') running_loss = 0.0 print('Entrenamiento finalizado')

Uso de cuadernos para documentación y experimentación

Como proveedor de portátiles, entiendo la importancia de utilizarlos no sólo para codificar sino también para documentación y experimentación. Puede utilizar celdas de rebajas en Jupyter Notebook para escribir explicaciones detalladas de su código, documentar sus experimentos y compartir sus hallazgos.

Por ejemplo, puedes escribir una celda de rebajas para explicar el propósito de la red neuronal que acabas de construir:

### Explicación de la red neuronal La red neuronal que construimos es una red de avance simple con dos capas completamente conectadas. La primera capa toma una entrada de tamaño 784 (la imagen aplanada de un dígito escrito a mano de 28x28) y la asigna a 128 unidades ocultas. La segunda capa asigna las 128 unidades ocultas a 10 unidades de salida, correspondientes a las clases de 10 dígitos (0 - 9). Usamos la función de activación ReLU en la primera capa para introducir la no linealidad, y la capa de salida usa la función softmax implícitamente a través de la función `CrossEntropyLoss`.

También puede utilizar cuadernos para experimentar con diferentes hiperparámetros, como la tasa de aprendizaje, el tamaño del lote y la cantidad de unidades ocultas. Al realizar un seguimiento de sus experimentos en un cuaderno, puede comparar fácilmente los resultados y elegir la mejor configuración.

Nuestras ofertas de portátiles

Como proveedor de portátiles, ofrecemos una amplia gama de portátiles que se pueden utilizar para el desarrollo de PyTorch. Si necesitas unCuaderno espiral con tapa durapara tomar notas durante sus sesiones de codificación oNotas adhesivas transparentesPara marcar fragmentos de código importantes, lo tenemos cubierto.

China Notebook SupplierSticky Transparent Notes

Nuestros cuadernos están fabricados con materiales de alta calidad y están diseñados para satisfacer las necesidades tanto de profesionales como de estudiantes. Vienen en varios tamaños, colores y estilos, para que puedas elegir el que se adapte a tus preferencias.

Contáctenos para adquisiciones

Si está interesado en comprar nuestros cuadernos para sus proyectos de PyTorch o cualquier otra necesidad de oficina, nos encantaría saber de usted. Contáctenos para iniciar una discusión sobre adquisiciones y encontrar las mejores soluciones de portátiles para sus necesidades.

Referencias

  • Documentación oficial de PyTorch (pytorch.org/docs)
  • Documentación oficial de Jupyter Notebook (jupyter.org/documentation)
  • Goodfellow, I., Bengio, Y. y Courville, A. (2016). Aprendizaje profundo. Prensa del MIT.

Envíeconsulta