PyTorch se está convirtiendo en un framework de referencia para la investigación, desarrollo e implementación de modelos de deep learning.
Ofrece una serie de beneficios que lo convierten en un framework muy ágil, flexible y potente:
- Fácil de implementar, programar y depurar.
- Permite controlar al detalle las computaciones realizadas y es eficiente en ejecución.
- Es imperativo, realizando las computaciones de manera flexible mientras se ejecuta.
- Integración con CUDA para facilitar su ejecución en GPUs.
Con el objetivo de divulgar el uso de PyTorch como herramienta de deep learning, hemos creado una serie de tutoriales para introducir PyTorch y sus principales módulos.
A continuación se puede ver un listado con las partes del curso:
- Programación orientada a objetos en PyTorch.
- Tensores en PyTorch.
- Módulo de redes neuronales.
- Optimización en PyTorch.
- Autograd en PyTorch.
- Datasets y Dataloaders en PyTorch.
- Nuevas herramientas de optimización en PyTorch.
- Optimización bayesiana con PyTorch y Ax.
- PyTorch con Cuda en Colab.
- LSTMs en PyTorch.
- Librería PyTorch-NLP para procesamiento de lenguaje.
- Interpretabilidad en PyTorch con Captum.
- Visualización en PyTorch con TensorBoard.
- Reproducibilidad en modelos de deep learning.
- Graph Neural Networks (GNNs) con PyTorch Geometric.
- Extendiendo PyTorch.

Deja un comentario