Referencia de bolsillo de PyTorch

Capítulo 5. Personalizar PyTorch

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Hasta ahora, has estado utilizando las clases, funciones y bibliotecas incorporadas de PyTorch para diseñar y entrenar varios modelos predefinidos, capas de modelos y funciones de activación. Pero, ¿y si tienes una idea novedosa o estás llevando a cabo una investigación de aprendizaje profundo de perímetro? Quizá hayas inventado una arquitectura de capas o una función de activación totalmente nuevas. Tal vez hayas desarrollado un nuevo algoritmo de optimización o una función de pérdida especial que nadie haya visto antes.

En este capítulo, te mostraré cómo crear tus propios componentes y algoritmos personalizados de aprendizaje profundo en PyTorch. Empezaremos explorando cómo crear capas y funciones de activación personalizadas, y luego veremos cómo combinar estos componentes en arquitecturas de modelos personalizados. A continuación, te mostraré cómo crear tus propias funciones de pérdida y algoritmos optimizadores. Por último, veremos cómo crear bucles personalizados para el entrenamiento, la validación y la prueba.

PyTorch ofrece flexibilidad: puedes ampliar una biblioteca existente o puedes combinar tus personalizaciones en tu propia biblioteca o paquete. Creando componentes personalizados puedes resolver nuevos problemas de aprendizaje profundo, acelerar el entrenamiento y descubrir formas innovadoras de realizar el aprendizaje ...