Adrián Hernández – Machine learning y computación
Como hemos ido viendo en esta Web, el uso de GPUs y nuevos modelos de deep learning ha logrado grandes avances en visión artificial, procesamiento de lenguaje, juegos, etc. Para ello han sido clave modelos de redes neuronales multicapa, RNNs, CNNs y posteriormente transformers basados en el mecanismo de atención. Por otro lado, en la... Seguir leyendo →
En otro post comentamos los requisitos para que exista una ventaja cuántica exponencial: El problema debe tener cierta estructura que pueda ser accedida por el algoritmo cuántico usando la superposición, el entrelazado y la interferencia. Un algoritmo clásico no puede acceder fácilmente a dicha estructura y por lo tanto no puede resolver el problema en... Seguir leyendo →
En los últimos años hemos visto un gran avance en la computación cuántica, tanto en la parte hardware con nuevos procesadores basados en iones atrapados, superconductores o fotónica, como en la parte software con nuevos algoritmos que intentar mejorar en eficiencia a los clásicos. Este avance ha llevado a que exista un elevado optimismo sobre... Seguir leyendo →
Introducción a Qiskit Es un marco de desarrollo de software (SDK) de IBM de código abierto para trabajar con computadoras cuánticas a nivel de circuitos, pulsos y algoritmos. Qiskit se compone de elementos que trabajan juntos para permitir la computación cuántica. Qiskit Terra proporciona herramientas para crear circuitos cuánticos en o cerca del nivel del código de... Seguir leyendo →
En post forma parte de una serie de posts que describen los algoritmos cuánticos, su diferencia con los clásicos y qué estructura deben tener los problemas para que estos algoritmos puedan conseguir una mejora exponencial. ALGORITMOS CUÁNTICOS Y DIFERENCIA CON LOS CLÁSICOS Un algoritmo es una serie finita de instrucciones realizadas para resolver un problema... Seguir leyendo →
En post forma parte de una serie de posts en la que vamos a ir comentando los algoritmos cuánticos, su diferencia con los clásicos y qué estructura deben tener los problemas para que estos algoritmos puedan conseguir una mejora exponencial. INTRODUCCIÓN A LA COMPUTACIÓN CUÁNTICA A continuación mostramos una serie de cuadernos sencillos (en inglés)... Seguir leyendo →
Una pregunta que siempre nos planteamos en machine learning y en deep learning es la diferencia entre algoritmos discriminativos y generativos y cuál escoger para un problema concreto. Los algoritmos discriminativos modelan la dependencia de una variable objetivo Y en función de una variable observada X. De esta forma se puede predecir la variable Y ... Seguir leyendo →
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.Almacenamiento de tensores en PyTorch.Módulo de redes neuronales.Optimización en... Seguir leyendo →
Como hemos visto, los tensores son un elemento básico en PyTorch. Son los elementos de diferente rango (escalares, vectores, matrics, etc.) que contienen la información en PyTorch y sobre los que actúan los modelos. Sin embargo, a pesar de su rango y dimensiones, los tensores se almacenan en memoria en un array unidimensional de elementos... Seguir leyendo →
En programación, nos referimos a un hook como el conjunto de técnicas que modifican o aumentan el comportamiento de un programa ante un evento. Esto suele usarse para depurar un programa o ampliar su funcionalidad. En PyTorch, un hook se puede registrar para el objeto tensor o para el objeto nn.module y los eventos que... Seguir leyendo →
Orgullosamente ofrecido por WordPress | Tema: Baskerville 2 por Anders Noren.