*Nota: Contactar a Omar Espejel (omar@tsc.ai) para cualquier observación. Cualquier error es responsabilidad del autor. *Nota: El autor considera que, si bien el escrito está en español y el objetivo es expandir el conocimiento del deep learning en este idioma, existen palabras insustituibles del inglés. Por lo tanto, este y siguientes escritos utilizarán indiscriminadamente palabras en inglés. Manipulación de tensores Se introduce . Usamos . Finalmente, aplicamos . Terminamos con una función que utilizaremos más adelante para aplanar imágenes. el tensor como la estructura de datos básica en la creación de deep learning pytorch como herramienta para la construcción de tensores capaces de correr en CUDA (GPU) manipulación de tensores para hacer broadcasting (transmisión, en español), agregar y quitar dimensiones, y hacer reshaping de nuestras estructuras ¿Dónde correr el código? En mi opinión, la mejor forma de aprender deep learning es . Esto es irrealizable, en terminos de tiempo, si se utiliza el poder de una CPU. Estaremos trabajando en Google Colab donde se nos asigna de manera gratuita por máximo 12 horas un GPU modelo Tesla K80. Solo necesitamos una cuenta de Google. escribir y escribir código Ingresar a y hacer click en . Ya podemos comenzar a escribir código python en la nube completamente gratis. Para acceder a un GPU dar click en - y en acelerador de hardware seleccionar GPU. Eso es todo, estamos listos para hacer deep learning. https://colab.research.google.com NUEVO BLOCK DE NOTAS DE PYTHON 3 Entorno de ejecución Cambiar tipo de entorno de ejecución El tensor En matemáticas estamos comunmente familiarizados con tres estructuras de datos: el escalar, el vector y la matriz. Los escalares corresponden a un único número, 2 por ejemplo; los vectores son una formación ordenada (arrays, en inglés) de datos en una única dimensión, por ejemplo (1,3,5,6,7,8); las matrices son una formación ordenada de dos dimensiones, por ejemplo ([1,2,3],[4,5,6]). Sin embargo, La siguiente imagen obtenida de nos permite visualizar estas estructuras de datos y la limitación al tratar de nombrar estructuras de más de dos dimensiones. ¿cómo nombramos a las estructuras de datos, como las imágenes, de más de 2 dimensiones? Leonardo Araujo Santos Los matemáticos tienen la tendencia de nombrar cada particularidad de una forma diferente, en deep learning usaremos una manera general de nombrar las estructuras de datos. . Para una explicación más detallada de lo que es un tensor ver este . Sin embargo, para los fines de este artículo, . No hablaré de escalares, vectores o matrices, sino de tensores de rango cero, uno y dos, respectivamente artículo pensemos en los tensores como una formación ordenada de N dimensiones (si se tienen conocimientos previos de lenguajes como R y Matlab entonces la sintaxis les parecerá conocida). Primero necesitamos importar Pyorch: . Ahora creemos un : Creemos tensores import torch tensor de rango cero t = torch.tensor( , dtype = torch.int32, device = ) 1 "cuda" . En este caso usamos enteros pero podemos incluir o para crear variables que almacenen números con puntos decimales. , en este caso utilizaremos CUDA para correr nuestros tensores en nuestra GPU. Si fueramos a correr nuestros modelos en un CPU entonces usamos . Vamos con tensores de rango 1 y 2: El argumento dtype selecciona el tipo de tensor torch.double torch.float64 En device seleccionamos el tipo de hardware a utilizar device = "cpu" Rango 1: t = torch.tensor([ , , ], dtype = torch.double64, device = ) 1.1 2.2 3.3 "cuda" Rango 2: t = torch.tensor([
    [ , , , ],
    [ , , , ],
    [ , , , ]
], dtype=torch.float32, device = ) 1 1 1 1 2 2 2 2 3 3 3 3 "cuda" , que en este caso nos regresa pues nuestro tensor tiene tres filas y cuatro columnas. Más adelante crearemos tensores de rango 3 que nos servirán como inputs para nuestros modelos. Para conocer la forma de un tensor utilizamos t.shape torch.Size([3, 4]) t Finalmente, . Usemos nuestro tensor de forma . podemos realizar operaciones entre tensores t torch.Size([3,4]) o . Suma: t + t t.sum(t) : . Multiplicación t*t : donde se define como: Multiplicación de matrices t.mm(s) s s = torch.tensor([
    [ , , ],
    [ , , ],
    [ , , ],
    [ , , ]
], dtype=torch.float32, device = ) 1 1 1 2 2 2 3 3 3 4 4 4 "cuda" Además, No ahondamos en el tema dado que no es tan relevante para iniciar con el deep learning, sin embargo, en la documentación de pytorch se encuentra todo lo necesario. pytorch nos permite hacer indexing de la misma manera que se hace con numpy. Broadcasting (transmisión, en español) El broadcasting es una . Esta técnica existe también en numpy. herramienta muy poderosa que nos permite trabajar mejor con tensores sin usar fors Cuando . . pytorch opera en dos tensores, compara sus formas en cuanto a elementos Comienza con las dimensiones finales y avanza Dos dimensiones son compatibles cuand n se transmite para que tenga el mismo tamaño. Esto significa que una dimensión con valor de 1 es compatible con cualquier otra dimensión, ya que se transmitirá. Por ejemplo, se puede operar en tensores de forma (1,3) y (5,1) ya que 1 es compatible con 3 y 5. o: (1) son iguales o (2) una de ellas es 1, en cuyo caso esta dimensió . Por ejemplo, si tienes un tensor 256 * 256 * 3 de valores RGB (red-green-blue), , y deseas escalar cada color de la imagen por un valor diferente, puedes multiplicar la imagen por un tensor de rango 1, , con 3 valores, es decir con forma (3). Los tamaños de los ejes finales de estos tensores, de acuerdo con las reglas de transmisión, los hace compatibles. Los tensores no necesitan tener el mismo número de dimensiones RGB_tensor t . creará un tensor en forma (1,1,3) donde el tercer eje incluye los valores que se aplicarán a cada uno de los colores en . te dará el tensor que puede multiplicar por la imagen de tamaño (256,256,3). Los ejes con valores 1 se transmitirán. Para hacer esto necesitamos compatibilizar nuestros tensores RGB_tensor y t . Para multiplicar cada dimensión del RGB_tensor de acuerdo con cada uno de los valores en t , necesitamos expandir a este último para tener 1s en el primer eje de t t = t[None, None,:] RGB_tensor t.expand_as(RGB_tensor) Estamos escribiendo código que se ejecuta tan rápido como C con esto. Además, el broadcasting nos da velocidad C sin necesidad de memoria adicional. . Toma un poco de tiempo acostumbrarse a la forma de codificación de broadcasting, pero, según Jeremy Howard en su clase de practical deep learning, vale la pena ya que reduce muchos errores provenientes de los bucles, y también es más cómodo una vez que nos acostumbramos De acuerdo a Jeremy Howard, el broadcasting podría ser el truco más útil para escribir código que sea lo suficientemente rápido. Agregar dimensiones o ejes En el texto se utilizarán de forma indiscriminada las palabras "dimensión" y "eje". . de modo que si el tensor originalmente tenía forma (3,750,750) después de la transformación, obtendremos una forma (1,3,750,750). . También funciona para numpy. Otro truco útil proviene de recordar que , por ejemplo, t.unsqueeze (-1) agrega un nuevo eje en la última dimensión. Hay dos formas diferentes de agregar una nueva dimensión a un Tensor de pytorch tensor.unsqueeze(dim = 0) , por ejemplo, agregará un nuevo eje en la dimensión 0 del tensor La segunda forma es la favorita de Jeremy Howard por su simplicidad. Lo mismo que antes se puede lograr escribiendo tensor[None,:,:, :) -1 siempre se refiere a la última dimensión del tensor Esto es relevante porque nos permite . . Por ejemplo, si tenemos un tensor, , con forma (3,3) y un tensor, , con forma , entonces creará un tensor horizontal de forma (1,3) que podemos expandir al tamaño de simplemente como que producirá un tensor en forma (3,3) que transmitirá los valores del vector horizontal para cada fila. elegir cómo transmitir nuestros tensores Considere que la transmisión se producirá automáticamente para la dimensión del tensor con forma 1 t s torch.Size([3]) s = torch.unsqueeze(s, dim = 0) t t.expand_as(t) Nota: . Squeeze hace lo contrario que unsqueeze(); elimina dimensiones Reshaping (remodelación, en español) de tensores Continuemos con nuestro tensor . : t Podemos conocer el rango y la forma del tensor con t.shape y len(t.shape) . t.numel() muestra el número de elementos en el tensor t.shape, len(t.shape), t.numel() que da como resultado . En , por lo tanto, tenemos 12 elementos acomodados en dos dimensiones. Los 12 elementos los podemos acomodar de diferentes en diferentes dimensiones, por ejemplo: (torch.Size([3, 4]), 2, 12) t t.reshape( , ), t.reshape( , ), t.reshape( , ); 1 12 6 2 12 1 Nota: . reshape() y view() hacen lo mismo “Veamos un caso de uso común para squeeze un tensor mediante la construcción de una función flatten (aplanar). […] Una operación de aplanar en un tensor da nueva forma al tensor para que tenga una forma que sea igual al número de elementos contenidos en el tensor. Esto es lo mismo que un tensor de rango 1°. […] Aplanar un tensor significa eliminar todas las dimensiones excepto una” - . Deeplizard En este texto, recreé la función de aplanar en el blog para tomar en cuenta los batches (lotes, en español) de datos. Indiquemos que nuestro tensor es un batch creando una dimensión adicional en la posición 0: t = t[ , :]
t.shape None Da . Ahora usemos la función para concatenar dos de forma que nuestro batch ahora tenga dos tensores. torch.Size([1, 3, 4]) cat t t = t[ , :]
t_batch = torch.cat((t, t), dim = ) None 0 retorna . Definimos entonces nuestra función para aplanar que toma en cuenta los batches. t_batch.shape torch.Size([2, 3, 4]) f = torch.reshape(t, (t.shape[ ], , )) f.squeeze() : def flatten (t) 0 1 -1 return Entonces , retorna , . t_batch.shape flatten(t_batch).shape (torch.Size([2, 3, 4]) torch.Size([2, 12])) “Dado que el argumento t puede ser cualquier tensor, pasamos -1 como segundo (tercer) argumento a la función reshape(). En pytorch, el -1 le dice a la función reshape() que descubra cuál debe ser el valor en función del número de elementos contenidos dentro del tensor. […] Veremos que se requieren operaciones de aplanamiento cuando se pasa un tensor de salida de una capa convolucional a una capa lineal.” . Deeplizard En el siguiente texto comenzaremos con los básicos del deep learning.

Google

Tesla

Beyond Artificial Intelligence: Providing Insights to Your Customers

Entendiendo PyTorch: las bases de las bases para hacer inteligencia artificial

Check my Twitter account!

Too Long; Didn't Read

Make resilience your competitive advantage

Manipulación de tensores en PyTorch. ¡El primer paso para el deep learning!

About Author

Comments

TOPICS

THIS ARTICLE WAS FEATURED IN

Related Stories

Untitled Story

A Hitchhiker's Guide to Restaking and Its Risks

The Noonification: Use This 7-Step McKinsey Framework to Solve Any Problem (1/10/2023)

The Noonification: A Taxonomy of Inclusiveness (1/11/2024)

The Noonification: What is the InfiniteNature-Zero AI Model? (11/19/2022)

10 Ways AI Has Changed Our Lives

A Hitchhiker's Guide to Restaking and Its Risks

The Noonification: Use This 7-Step McKinsey Framework to Solve Any Problem (1/10/2023)

The Noonification: A Taxonomy of Inclusiveness (1/11/2024)

The Noonification: What is the InfiniteNature-Zero AI Model? (11/19/2022)

10 Ways AI Has Changed Our Lives

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps