Introduzione a PyTorch: tensori e calcoli tensoriali | di Ivo Bernardo | Novembre 2023 | Intelligenza-Artificiale

Scopri di più sui tensori e su come utilizzarli in una delle librerie di machine learning più famose, Pytorch

Una delle librerie più importanti nel campo del Deep Learning (e, in generale, su cui è stato costruito ChatGPT) è pytorch. Insieme al framework Tensorflow, pytorch è uno dei più famosi framework di formazione per reti neurali disponibili per sviluppatori di software e data scientist. A parte la sua usabilità e la sua API semplice, eccelle in flessibilità e utilizzo della memoria, rendendolo estremamente veloce nel calcolo multidimensionale (uno dei componenti principali dietro la backpropagation, l’importante tecnica utilizzata per ottimizzare i pesi della rete neurale): questi dettagli lo rendono è una delle librerie più ricercate dalle aziende quando si tratta di costruire modelli di Deep Learning.

In questo post del blog, controlleremo alcune operazioni di base utilizzando pytorche capire come possiamo lavorare con il tensor oggetto! I tensori sono rappresentazioni matematiche di dati comunemente indicati con nomi diversi:

• Tensore a 1 elemento: comunemente chiamato scalare, è costituito da un unico valore matematico.
• Tensore unidimensionale: composto da N esempi, sono normalmente chiamati vettori 1-D e memorizzano diversi elementi matematici in un’unica dimensione.
• Tensori bidimensionali: comunemente chiamati matrici, sono in grado di memorizzare dati in due dimensioni. Pensa a una normale tabella SQL o a un foglio di calcolo Excel.
• Tensori tridimensionali e oltre: i dati organizzati con questa dimensionalità sono normalmente più difficili da visualizzare e vengono generalmente chiamati n-dimensionale tensori.

Con questa piccola introduzione sui concetti matematici, esploriamo come utilizzarli pytorch in Python!

Come abbiamo descritto, l’oggetto tensore è una generalizzazione matematica di n-dimensionale oggetti che possono espandersi praticamente in qualsiasi dimensione. Sebbene nel contesto del Deep Learning, tensors sono generalmente multidimensionali, possiamo anche creare tensori a singolo elemento (normalmente chiamati scalari) utilizzando torch (anche se nominato pytorch usiamo il nome torch per manipolare la libreria in Python).