Blog kỹ thuật
25 - 02 - 2022
Deep Learning framework giúp đẩy nhanh quá trình nghiên cứu, triển khai các bài toán liên quan đến AI/ML. Có rất nhiều framework cho Deep Learning như PyTorch, TensorFlow, Keras, MXNet,… Trong đó PyTorch và Tensorflow được sử dụng nhiều trong các Hội nghị Khoa học cũng như trong ứng dụng thực tế. Series bài viết này sẽ giới thiệu về PyTorch để mọi người có thể nắm được cơ bản Framework này cũng như sử dụng nó để giải quyết bài toán từ đầu, nội dung sẽ bao gồm các phần sau:1. Giới thiệu2. Cài đặt3. Tensors4. Autograd5. Neural Networks6. Dataset, DataLoaders7. Loss, Optimizer8. Huấn luyện mô hình9. Save và Load ModelDemo Google Colab: https://colab. research. google. com/drive/1ssBwy1VBSikHHdhBx9gvdDIKDjEM7EEM?usp=sharing Đặc biệt, trong các lĩnh vực nghiên cứu, nhiều tác giả hiện nay sử dụng PyTorch để triển khai bài toán của mình. PyTorch cho thấy lợi thế của nó trong lĩnh vực nghiên cứu bởi việc rất dễ dàng debug model. Trong phần giới thiệu từ Github PyTorch, PyTorch có 2 tính năng chính: Tự động tính toán đạo hàm khi triển khai/xây dựng/huấn luyện mô hình Neural Networks (Autograd, sẽ được trình bày ở phần sau) Ở trang chủ PyTorch có hướng dẫn cài đặt phiên bản mới nhất: Stable (phiên bản hiện tại là 1. 8. 1): phiên bản ổn định, được hỗ trợ và thử nghiệm hiện tại của PyTorch, phù hợp với nhiều đối tượng sử dụng.
