Apprentissage profond à partir de zéro

Chapitre 7. PyTorch

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Dans les chapitres 6 et 5, tu as appris comment fonctionnaient les réseaux neuronaux convolutifs et récurrents en les implémentant à partir de zéro. Néanmoins, s'il est nécessaire de comprendre leur fonctionnement, cette connaissance ne suffira pas à les faire fonctionner sur un problème du monde réel ; pour cela, tu dois être capable de les mettre en œuvre dans une bibliothèque performante. Nous pourrions consacrer un livre entier à la construction d'une bibliothèque de réseaux neuronaux haute performance, mais ce serait un livre bien différent (ou simplement bien plus long), pour un public bien différent. À la place, nous consacrerons ce dernier chapitre à la présentation de PyTorch, un framework de réseau neuronal de plus en plus populaire basé sur la différenciation automatique, que nous avons présenté au début du chapitre 6.

Comme dans le reste du livre, nous écrirons notre code d'une manière qui correspond aux modèles mentaux du fonctionnement des réseaux neuronaux, en écrivant des classes pour Layers, Trainers, et ainsi de suite. Ce faisant, nous n'écrirons pas notre code conformément aux pratiques courantes de PyTorch, mais nous inclurons des liens sur le repo GitHub du livre pour que tu puisses en apprendre davantage sur l'expression des réseaux neuronaux de la manière dont PyTorch a été conçu pour les exprimer. Avant d'en ...