PYTORCH С НУЛЯ - ТЕНЗОРЫ И НЕЙРОСЕТИ

• PyTorch — популярная библиотека для работы с нейронными сетями.  

• Код на PyTorch пишется развёрнуто, что помогает лучше понимать и контролировать действия.  

• В видео рассматривается основы работы с тензорами и обучение нейронной сети с использованием векторов и матриц.  

• Тензоры — основной объект в PyTorch, объединяющий скаляры, векторы, матрицы и тензоры более высокого ранга.  

• Скаляры используются для метрик модели, векторы — для параметров объекта, матрицы — для всей выборки данных.  

• Тензоры более высокого ранга применяются для изображений, видео и других видов данных.  

• Установка PyTorch через конфигуратор на официальном сайте или команду pip install torch.  

• Создание тензоров с помощью функции `tensor` и выполнение базовых математических операций: сложение, умножение, возведение в степень.  

• Вычисление базовых статистик: среднее, стандартное отклонение с помощью методов `mean` и `std`.  

• Создание матриц с помощью вложенных списков чисел.  

• Выполнение поэлементных операций и матричного произведения.  

• Вычисление статистик для строк и колонок матриц.  

• Описание набора данных: 6500 бутылок португальского вина с 11 химическими параметрами и оценкой жюри.  

• Разбиение данных на обучающую и валидационную выборки.  

• Индексация в тензорах для перемешивания и разделения данных.  

• Нормализация признаков: вычитание среднего значения и деление на стандартное отклонение.  

• Вычисление среднего и стандартного отклонения с помощью методов `mean` и `std`.  

• Обратная операция для восстановления исходных значений.  

• Загрузка данных красного вина с помощью функции `load`.  

• Перемешивание данных и разделение на обучающую и валидационную выборки.  

• Нормализация признаков, сохранение тензоров с помощью функции `save`.  

• Сохранение тензоров `mean` и `std` для последующей нормализации новых данных.  

• Возможность обработки и сохранения данных белого вина.  

• PyTorch — одна из самых популярных библиотек для работы с нейронными сетями.  

• NumPy — старая библиотека, часто используемая в датасайнс-проектах.  

• Интерфейс NumPy и PyTorch имеет много общего, что облегчает адаптацию пользователей.  

• NumPy не поддерживает автоматическое дифференцирование и вычисления на видеокартах.  

• Эти функции критически важны для работы с нейронными сетями.  

• В PyTorch и NumPy массивы хранятся как непрерывные участки памяти.  

• В Python списки хранятся свободно, что позволяет хранить объекты любого типа, но замедляет операции.  

• Пример сравнения скорости сложения массивов показывает преимущество тензоров.