PyTorch - Cronologia

Lucia Terenzi: /* Tutorial */

2024-03-12T14:50:59Z

Tutorial

← Versione meno recente		Versione delle 14:50, 12 mar 2024
Riga 101:		Riga 101:

	== Links ==		== Links ==
			[[Come creare un tensore su Pytorch]] (Tutorial)
	~~=== Tutorial ===~~
	[[Come creare un tensore su Pytorch]]

	[https://pytorch.org/tutorials/ https://pytorch.org/tutorials/]		[https://pytorch.org/tutorials/ https://pytorch.org/tutorials/]

Lucia Terenzi: /* Links */

2024-03-12T10:08:01Z

Links

← Versione meno recente		Versione delle 10:08, 12 mar 2024
Riga 103:		Riga 103:

	=== Tutorial ===		=== Tutorial ===
			[[Come creare un tensore su Pytorch]]

	[https://pytorch.org/tutorials/ https://pytorch.org/tutorials/]		[https://pytorch.org/tutorials/ https://pytorch.org/tutorials/]

Alesaccoia: Alesaccoia ha spostato la pagina Pytorch a PyTorch: Titolo errato

2024-03-03T10:03:21Z

Alesaccoia ha spostato la pagina Pytorch a PyTorch: Titolo errato

← Versione meno recente	Versione delle 10:03, 3 mar 2024
(Nessuna differenza)

Alesaccoia il 09:03, 29 feb 2024

2024-02-29T09:03:45Z

← Versione meno recente		Versione delle 09:03, 29 feb 2024
Riga 103:		Riga 103:

	=== Tutorial ===		=== Tutorial ===
			[https://pytorch.org/tutorials/ https://pytorch.org/tutorials/]

			[https://pytorch.org/tutorials/intermediate/char_rnn_classification_tutorial.html https://pytorch.org/tutorials/intermediate/char_rnn_classification_tutorial.html]

			[https://pytorch.org/tutorials/intermediate/char_rnn_generation_tutorial.html https://pytorch.org/tutorials/intermediate/char_rnn_generation_tutorial.html]

Alesaccoia il 22:21, 28 feb 2024

2024-02-28T22:21:51Z

← Versione meno recente		Versione delle 22:21, 28 feb 2024
Riga 70:		Riga 70:
	</source>		</source>

	== ~~Salvataggio e Caricamento del Modello ==~~		= Elenco dei Moduli PyTorch =
	~~Salva il modello addestrato~~ per ~~un uso futuro e caricalo quando necessario~~.
	~~<source lang="python">~~		Questo elenco presenta alcuni dei moduli più utilizzati in PyTorch, ciascuno con una breve descrizione.
	torch.~~save~~(~~model~~.~~state_dict~~(), '~~model~~.~~pth~~')
	~~model~~.~~load_state_dict~~(torch.~~load(~~'~~model~~.~~pth~~'))		* '''torch.nn.Linear''' - Implementa un layer completamente connesso.
	~~</source>~~		* '''torch.nn.Conv1d''' - Applica una convoluzione 1D per dati sequenziali.
			* '''torch.nn.Conv2d''' - Applica una convoluzione 2D, utile per immagini.
			* '''torch.nn.Conv3d''' - Applica una convoluzione 3D, per volumi o video.
			* '''torch.nn.ReLU''' - Funzione di attivazione ReLU, zero per input negativi.
			* '''torch.nn.Sigmoid''' - Funzione di attivazione sigmoid, mappa input in (0, 1).
			* '''torch.nn.Tanh''' - Funzione di attivazione tanh, mappa input in (-1, 1).
			* '''torch.nn.MaxPool1d''' - Pooling massimo per dati sequenziali.
			* '''torch.nn.MaxPool2d''' - Pooling massimo per dati spaziali (immagini).
			* '''torch.nn.MaxPool3d''' - Pooling massimo per volumi o video.
			* '''torch.nn.AvgPool1d''' - Pooling medio per dati sequenziali.
			* '''torch.nn.AvgPool2d''' - Pooling medio per dati spaziali (immagini).
			* '''torch.nn.AvgPool3d''' - Pooling medio per volumi o video.
			* '''torch.nn.Dropout''' - Applica dropout, utile per la regolarizzazione.
			* '''torch.nn.BatchNorm1d''' - Normalizzazione batch per dati 1D.
			* '''torch.nn.BatchNorm2d''' - Normalizzazione batch per dati 2D.
			* '''torch.nn.BatchNorm3d''' - Normalizzazione batch per dati 3D.
			* '''torch.nn.Embedding''' - Layer per embedding di token, utile per NLP.
			* '''torch.nn.RNN''' - Rete RNN per modelli sequenziali.
			* '''torch.nn.LSTM''' - Rete LSTM per modelli sequenziali.
			* '''torch.nn.GRU''' - Rete GRU, alternativa a LSTM.
			* '''torch.nn.Transformer''' - Implementazione del Transformer, per modelli di attenzione.


	Questo conclude una panoramica del flusso di esecuzione tipico di un programma PyTorch. Questa guida è stata intenzionalmente semplificata; ulteriori dettagli possono essere aggiunti in base alle esigenze specifiche.

Alesaccoia: Creata pagina con "PyTorch è una libreria open source di machine learning basata su Torch, ampiamente utilizzata per applicazioni come il deep learning e l'analisi computazionale. Offre due caratteristiche principali: la prima è l'implementazione dei vettori di numpy come "tensori" su GPU per accelerare i calcoli, e la seconda è un algoritmo di differenziazione automatica (autograd) per la costruzione e il training di reti neurali. = Flusso di Esecuzione di un Programma PyTorch = PyT..."

2024-02-28T22:19:27Z

Creata pagina con "PyTorch è una libreria open source di machine learning basata su Torch, ampiamente utilizzata per applicazioni come il deep learning e l'analisi computazionale. Offre due caratteristiche principali: la prima è l'implementazione dei vettori di numpy come "tensori" su GPU per accelerare i calcoli, e la seconda è un algoritmo di differenziazione automatica (autograd) per la costruzione e il training di reti neurali. = Flusso di Esecuzione di un Programma PyTorch = PyT..."

Nuova pagina

PyTorch è una libreria open source di machine learning basata su Torch, ampiamente utilizzata per applicazioni come il deep learning e l'analisi computazionale. Offre due caratteristiche principali: la prima è l'implementazione dei vettori di numpy come "tensori" su GPU per accelerare i calcoli, e la seconda è un algoritmo di differenziazione automatica (autograd) per la costruzione e il training di reti neurali.

= Flusso di Esecuzione di un Programma PyTorch =

PyTorch è una potente libreria per il machine learning che facilita la costruzione e l'allenamento di reti neurali. Questa guida offre una panoramica del flusso di esecuzione tipico di un programma PyTorch.

== Installazione ==
Per iniziare, è necessario installare PyTorch. Questo può essere fatto utilizzando pip:
<source lang="bash">
pip install torch torchvision
</source>

== Importazione delle Librerie ==
Dopo l'installazione, importa PyTorch nel tuo script Python:
<source lang="python">
import torch
import torchvision
</source>

== Definizione del Modello ==
Crea un modello definendo una classe che estende `torch.nn.Module`. All'interno, definisci la struttura della rete nel metodo `__init__` e come i dati passano attraverso la rete nel metodo `forward`.
<source lang="python">
class Net(torch.nn.Module):
def __init__(self):
super(Net, self).__init__()
# Definisci strati qui

def forward(self, x):
# Definisci il flusso dei dati qui
return x
</source>

== Dati di Addestramento ==
Carica o genera i tuoi dati di addestramento. Utilizza `torch.utils.data.DataLoader` per gestire i batch di dati e la shuffling.
<source lang="python">
train_loader = torch.utils.data.DataLoader(dataset, batch_size=64, shuffle=True)
</source>

== Configurazione dell'Addestramento ==
Prima dell'addestramento, configura il processo di ottimizzazione scegliendo un ottimizzatore e definendo una funzione di perdita.
<source lang="python">
model = Net()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
criterion = torch.nn.CrossEntropyLoss()
</source>

== Ciclo di Addestramento ==
Addestra il modello eseguendo un ciclo in cui i dati di addestramento vengono passati attraverso il modello, il gradiente della perdita è calcolato e i parametri del modello vengono aggiornati.
<source lang="python">
for epoch in range(num_epochs):
for batch_idx, (data, target) in enumerate(train_loader):
optimizer.zero_grad()
output = model(data)
loss = criterion(output, target)
loss.backward()
optimizer.step()
</source>

== Valutazione ==
Dopo l'addestramento, valuta il modello sul set di dati di test per determinare la sua precisione.
<source lang="python">
test_loss = 0
correct = 0
with torch.no_grad():
for data, target in test_loader:
output = model(data)
test_loss += criterion(output, target).item()
pred = output.data.max(1, keepdim=True)[1]
correct += pred.eq(target.data.view_as(pred)).sum()
</source>

== Salvataggio e Caricamento del Modello ==
Salva il modello addestrato per un uso futuro e caricalo quando necessario.
<source lang="python">
torch.save(model.state_dict(), 'model.pth')
model.load_state_dict(torch.load('model.pth'))
</source>

Questo conclude una panoramica del flusso di esecuzione tipico di un programma PyTorch. Questa guida è stata intenzionalmente semplificata; ulteriori dettagli possono essere aggiunti in base alle esigenze specifiche.

== Links ==

=== Tutorial ===