PyTorch Référence de poche

Chapitre 5. Personnaliser PyTorch

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

Jusqu'à présent, tu utilisais les classes, fonctions et bibliothèques intégrées de PyTorch pour concevoir et entraîner divers modèles, couches de modèle et fonctions d'activation prédéfinis. Mais que se passe-t-il si tu as une idée originale ou si tu conduis des recherches de pointe sur l'apprentissage profond ? Peut-être as-tu inventé une architecture de couche ou une fonction d'activation totalement nouvelle. Tu as peut-être développé un nouvel algorithme d'optimisation ou une fonction de perte spéciale que personne n'a jamais vue auparavant.

Dans ce chapitre, je vais te montrer comment créer tes propres composants et algorithmes de Deep Learning personnalisés dans PyTorch. Nous commencerons par explorer comment créer des couches et des fonctions d'activation personnalisées, puis nous verrons comment combiner ces composants dans des architectures de modèles personnalisées. Ensuite, je te montrerai comment créer tes propres fonctions de perte et algorithmes d'optimisation. Enfin, nous verrons comment créer des boucles personnalisées pour l'entraînement, la validation et le test.

PyTorch offre de la flexibilité : tu peux étendre une bibliothèque existante ou combiner tes personnalisations dans ta propre bibliothèque ou paquetage. En créant des composants personnalisés, tu peux résoudre de nouveaux problèmes de Deep ...