كيفية استخدام PyTorch في دفتر الملاحظات؟

برزت PyTorch كمكتبة رائدة مفتوحة المصدر للتعلم الآلي، ويفضلها الباحثون والمطورون بسبب الرسوم البيانية الحسابية الديناميكية وسهولة الاستخدام. باعتباري أحد موردي أجهزة الكمبيوتر المحمولة، فقد رأيت طلبًا متزايدًا من العملاء الذين يرغبون في استخدام أجهزة الكمبيوتر المحمولة لتجربة PyTorch. في هذه المدونة، سأرشدك خلال عملية استخدام PyTorch في بيئة الكمبيوتر المحمول، سواء كان ذلك فعليًامجلة جلدية A6لتدوين الأفكار أو دفتر ملاحظات رقمي مثل Jupyter Notebook للترميز الفعلي.

لماذا استخدام جهاز كمبيوتر محمول لPyTorch؟

توفر أجهزة الكمبيوتر المحمولة ميزة فريدة عند العمل مع PyTorch. إنها توفر بيئة تفاعلية حيث يمكنك كتابة التعليمات البرمجية وتشغيلها وتعديلها في أجزاء صغيرة يمكن التحكم فيها. يمكنك أيضًا إضافة تفسيرات نصية ومرئيات وخلايا تخفيض السعر لتوثيق عملية التفكير الخاصة بك. وهذا يجعل من دفاتر الملاحظات أداة مثالية لإنشاء النماذج الأولية واستكشاف البيانات ومشاركة عملك مع الآخرين.

إعداد بيئتك

قبل أن تتمكن من البدء في استخدام PyTorch في جهاز كمبيوتر محمول، تحتاج إلى إعداد البيئة الخاصة بك. فيما يلي الخطوات:

1. قم بتثبيت بايثون

PyTorch هي مكتبة Python، لذا تحتاج إلى تثبيت Python على نظامك. يمكنك تنزيل أحدث إصدار من Python من موقع Python الرسمي (python.org). يوصى باستخدام Python 3.6 أو أعلى.

2. قم بتثبيت باي تورش

هناك عدة طرق لتثبيت PyTorch. أسهل طريقة هي استخدام أمر تثبيت PyTorch الرسمي، والذي يمكنك العثور عليه على موقع PyTorch الإلكتروني (pytorch.org). سيختلف الأمر وفقًا لنظام التشغيل لديك، وإصدار CUDA (إذا كنت تريد استخدام تسريع GPU)، ومدير الحزم الذي تفضله (pip أو conda).

على سبيل المثال، إذا كنت تستخدم النقطة على نظام وحدة المعالجة المركزية (CPU) فقط، فيمكنك استخدام الأمر التالي:

نقطة تثبيت الشعلة torchvision

3. قم بتثبيت بيئة الكمبيوتر المحمول

هناك العديد من بيئات الكمبيوتر الدفتري المتاحة، لكن Jupyter Notebook هو الأكثر شيوعًا. يمكنك تثبيت Jupyter Notebook باستخدام النقطة:

نقطة تثبيت jupyter

بمجرد التثبيت، يمكنك تشغيل Jupyter Notebook عن طريق تشغيل الأمر التالي في جهازك الطرفي:

دفتر جوبيتر

سيؤدي هذا إلى فتح نافذة متصفح جديدة مع لوحة تحكم Jupyter Notebook، حيث يمكنك إنشاء دفاتر الملاحظات وإدارتها.

الشروع في العمل مع PyTorch في دفتر ملاحظات

الآن بعد أن تم إعداد بيئتك، فلنبدأ باستخدام PyTorch في دفتر ملاحظات.

1. استيراد برنامج PyTorch

الخطوة الأولى في أي مشروع PyTorch هي استيراد المكتبة. في خلية Jupyter Notebook، يمكنك القيام بذلك كما يلي:

استيراد الشعلة

يمكنك أيضًا استيراد مكتبات مفيدة أخرى، مثلcom.torchvisionلمهام رؤية الكمبيوتر:

استيراد torchvision استيراد torchvision.transforms كتحويلات

2. العمل مع الموترات

Tensors هي بنية البيانات الأساسية في PyTorch. وهي تشبه مصفوفات NumPy ولكن يمكن استخدامها على وحدات معالجة الرسومات لإجراء عمليات حسابية أسرع. يمكنك إنشاء موتر في PyTorch مثل هذا:

# إنشاء موتر 2x3 x = torch.tensor([[1, 2, 3], [4, 5, 6]]) print(x)

يمكنك إجراء عمليات مختلفة على الموترات، مثل الجمع والضرب وإعادة التشكيل. على سبيل المثال:

# إضافة موترين y = torch.tensor([[7, 8, 9], [10, 11, 12]]) z = x + y print(z)

3. بناء شبكة عصبية بسيطة

إحدى حالات الاستخدام الأكثر شيوعًا لـ PyTorch هي بناء الشبكات العصبية. فيما يلي مثال بسيط لشبكة عصبية لتصنيف الأرقام المكتوبة بخط اليد باستخدام مجموعة بيانات MNIST:

import torch.nn as nn import torch.nn.functional as F # تحديد فئة شبكة عصبية بسيطة Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(784, 128) self.fc2 = nn.Linear(128, 10) def Forward(self, x): x = x.view(-1, 784) x = F.relu(self.fc1(x)) x = self.fc2(x) return x net = Net() # تحميل مجموعة بيانات MNIST تحويل = Transforms.Compose([transforms.ToTensor(), Transforms.Normalize((0.5,, (0.5,))]) Trainset = torchvision.datasets.MNIST(root='./data', Train=True, download=True, Transform=transform) Trainloader = torch.utils.data.DataLoader(trainset, Batch_size=64, shuffle=True) # تحديد دالة الخسارة ومعيار المحسن = nn.CrossEntropyLoss() Optimr = torch.optim.SGD(net.parameters(), lr=0.001, Momentum=0.9) # تدريب الشبكة من أجل العصر في النطاق (2): Running_loss = 0.0 لـ i، البيانات في تعداد (trainloader، 0): المدخلات، التسميات = مخرجات محسن البيانات.zero_grad() = صافي (المدخلات) الخسارة = المعيار (المخرجات، التسميات) Loss.backward() محسن.step() Running_loss += Loss.item() if i % 200 == 199: print(f'[{epoch + 1}, {i + 1:5d}] الخسارة: {running_loss / 200:.3f}') Running_loss = 0.0 print('التدريب النهائي')

استخدام الدفاتر للتوثيق والتجريب

باعتباري أحد موردي دفاتر الملاحظات، فأنا أفهم أهمية استخدام دفاتر الملاحظات ليس فقط للبرمجة ولكن أيضًا للتوثيق والتجريب. يمكنك استخدام خلايا تخفيض السعر في Jupyter Notebook لكتابة شرح تفصيلي للتعليمات البرمجية الخاصة بك، وتوثيق تجاربك، ومشاركة نتائجك.

على سبيل المثال، يمكنك كتابة خلية تخفيض السعر لشرح الغرض من الشبكة العصبية التي أنشأتها للتو:

### شرح الشبكة العصبية الشبكة العصبية التي قمنا ببنائها عبارة عن شبكة تغذية أمامية بسيطة تحتوي على طبقتين متصلتين بالكامل. تأخذ الطبقة الأولى مدخلاً بحجم 784 (الصورة المسطحة لرقم مكتوب بخط اليد مقاس 28 × 28) وتقوم بتعيينه إلى 128 وحدة مخفية. تقوم الطبقة الثانية بتعيين 128 وحدة مخفية إلى 10 وحدات إخراج، تتوافق مع فئات الأرقام العشرة (0 - 9). استخدمنا وظيفة تنشيط ReLU في الطبقة الأولى لتقديم عدم الخطية، وتستخدم طبقة الإخراج وظيفة softmax ضمنيًا من خلال وظيفة `CrossEntropyLoss`.

يمكنك أيضًا استخدام دفاتر الملاحظات لتجربة معلمات تشعبية مختلفة، مثل معدل التعلم وحجم الدُفعة وعدد الوحدات المخفية. ومن خلال تتبع تجاربك في دفتر ملاحظات، يمكنك بسهولة مقارنة النتائج واختيار التكوين الأفضل.

عروض أجهزة الكمبيوتر المحمول لدينا

باعتبارنا موردًا لأجهزة الكمبيوتر المحمولة، فإننا نقدم مجموعة واسعة من أجهزة الكمبيوتر المحمولة التي يمكن استخدامها لتطوير PyTorch. سواء كنت في حاجة الىدفتر دوامة مع غلاف فنيلتدوين الملاحظات أثناء جلسات البرمجة أوملاحظات شفافة لزجةلوضع علامات على مقتطفات التعليمات البرمجية المهمة، فقد قمنا بتغطيتك.

دفاتر الملاحظات الخاصة بنا مصنوعة من مواد عالية الجودة ومصممة لتلبية احتياجات المحترفين والطلاب على حدٍ سواء. إنها تأتي بأحجام وألوان وأنماط مختلفة، لذا يمكنك اختيار ما يناسب تفضيلاتك.

تواصل معنا للمشتريات

إذا كنت مهتمًا بشراء دفاتر الملاحظات الخاصة بنا لمشروعات PyTorch الخاصة بك أو أي احتياجات مكتبية أخرى، فنحن نحب أن نسمع منك. اتصل بنا لبدء مناقشة المشتريات والعثور على أفضل حلول أجهزة الكمبيوتر المحمولة التي تلبي متطلباتك.

مراجع

• وثائق PyTorch الرسمية (pytorch.org/docs)
• الوثائق الرسمية لـ Jupyter Notebook (jupyter.org/documentation)
• جودفيلو، آي.، بينجيو، واي.، وكورفيل، أ. (2016). التعلم العميق. مطبعة معهد ماساتشوستس للتكنولوجيا.