پرش به محتوا

پای‌تورچ

از ویکی‌پدیا، دانشنامهٔ آزاد
PyTorch
نویسنده(های)
اصلی
Adam Paszke, Sam Gross, Soumith Chintala, Gregory Chanan
انتشار اولیهاکتبر ۲۰۱۶؛ ۸ سال پیش (۲۰۱۶}})
انتشار پایدار
0.3.1 / ۱۴ فوریه ۲۰۱۸؛ ۶ سال پیش (۲۰۱۸-14}})
مخزنgithub.com/pytorch/pytorch
نوشته‌شده باپایتون، سی، کودا
سیستم‌عامللینوکس، مک‌اواس
نوعکتابخانه یادگیری ماشین و یادگیری عمیق
وبگاه

پای تورچ (به انگلیسی PyTorch) یک کتابخانه متن باز یادگیری ماشین برای پایتون براساس تورچ است[۱][۲][۳] که برای کاربردهایی مانند پردازش زبان طبیعی استفاده می‌شود.[۴] توسعه دهنده اصلی پای تورچ گروه پژوهش هوش مصنوعی فیسبوک است[۵][۶][۷] و نرم‌افزار Pyro شرکت اوبر برای برنامه نویسی احتمالاتی روی پای تورچ ساخته شده‌است.[۸] امروزه پای‌تورچ از محبوبیت بسیاری به ویژه بین جامعه‌ی دانشگاهی برخوردار است[۹].

تنسورها

[ویرایش]

تنسورها یک ساختار داده اصلی در کتابخانه پای تورچ هستند. تنسورها اساساً آرایه های n بعدی هستند که می توانند برای نمایش و دستکاری داده های عددی در پای تورچ استفاده شوند. یکی از ویژگی‌های کلیدی تنسورهای پای تورچ توانایی آن‌ها در انجام خودکار مشتقات جزیی است[۱۰] که به توسعه‌دهندگان اجازه می‌دهد تا گرادیان‌ها را در طول عبور به عقب از یک گراف محاسباتی محاسبه کنند. این ویژگی اجرای الگوریتم‌های یادگیری ماشین را بسیار ساده می‌کند، زیرا نیاز به محاسبه دستی گرادیان‌ها که می‌تواند فرآیندی خسته‌کننده و مستعد خطا باشد را از بین می‌برد. با این حال، بزرگترین تفاوت بین آرایه نام پای و تنسور پای تورچ این است که تنسور پای تورچ می تواند بر روی سی پی یو یا جی پی یو اجرا شود.[۱۱]

ویژگی‌ها

[ویرایش]

پای تورچ یک بسته پایتون است که دو ویژگی سطح بالا دارد:[۱۲]

همین‌طور امکان توسعه پای تورچ با استفاده از نام پای، سای پای و سایتون در مواقع لزوم فراهم است.

جستارهای وابسته

[ویرایش]

منابع

[ویرایش]
  1. Yegulalp, Serdar (19 January 2017). "Facebook brings GPU-powered machine learning to Python". InfoWorld. Retrieved 11 December 2017.
  2. Lorica, Ben (3 August 2017). "Why AI and machine learning researchers are beginning to embrace PyTorch". O'Reilly Media. Retrieved 11 December 2017.
  3. Ketkar, Nikhil (2017). Deep Learning with Python (به انگلیسی). Apress, Berkeley, CA. pp. 195–208. doi:10.1007/978-1-4842-2766-4_12. ISBN 978-1-4842-2765-7.
  4. "Natural Language Processing (NLP) with PyTorch — NLP with PyTorch documentation". dl4nlp.info (به انگلیسی). Archived from the original on 21 June 2019. Retrieved 2017-12-18.
  5. Patel, Mo (2017-12-07). "When two trends fuse: PyTorch and recommender systems". O'Reilly Media (به انگلیسی). Retrieved 2017-12-18.
  6. Mannes, John. "Facebook and Microsoft collaborate to simplify conversions from PyTorch to Caffe2". TechCrunch (به انگلیسی). Retrieved 2017-12-18. FAIR is accustomed to working with PyTorch — a deep learning framework optimized for achieving state of the art results in research, regardless of resource constraints. Unfortunately in the real world, most of us are limited by the computational capabilities of our smartphones and computers.
  7. Arakelyan, Sophia (2017-11-29). "Tech giants are using open source frameworks to dominate the AI community". VentureBeat (به انگلیسی). Retrieved 2017-12-18.
  8. "Uber AI Labs Open Sources Pyro, a Deep Probabilistic Programming Language". Uber Engineering Blog (به انگلیسی). 2017-11-03. Retrieved 2017-12-18.
  9. «Battle of The Giants: TensorFlow vs PyTorch 2023».
  10. "Calculating Derivatives in PyTorch" (به انگلیسی).
  11. "Tensors in Pytorch" (به انگلیسی).
  12. "about pytorch". pytorch (به انگلیسی). Archived from the original on 24 March 2018. Retrieved 24 March 2018.

پیوند به بیرون

[ویرایش]