Muhitni sozlash va birinchi tenzor

PyTorch ni o'rnatish uchun GPU ham, kuchli kompyuter ham shart emas. Oddiy noutbuk va Python yetarli.

Ikki yo'l #

Darslikdagi hamma narsa birinchi yo'l bilan ishlaydi. Colab ga 9-bo'limda qaytamiz.

Virtual muhit #

PyTorch katta kutubxona. Uni tizim bo'ylab emas, alohida muhitga o'rnatish to'g'riroq - shunda boshqa loyihalaringizga tegmaydi:

python3 -m venv torchenv
source torchenv/bin/activate

Windows'da faollashtirish boshqacha:

python -m venv torchenv
torchenv\Scripts\activate

Faollashtirilgach, buyruq satri oldida muhit nomi paydo bo'ladi.

O'rnatish #

Protsessorda ishlaydigan versiya (barcha misollar uchun yetarli):

pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu

NVIDIA video kartangiz bo'lsa, pytorch.org sahifasidagi tanlagich kerakli buyruqni beradi - unda CUDA versiyasini ham ko'rsatasiz.

Tekshirish #

tekshir.py faylini yarating:

import torch

print("PyTorch versiyasi:", torch.__version__)
print("GPU mavjudmi:     ", torch.cuda.is_available())

x = torch.tensor([[1.0, 2.0], [3.0, 4.0]])
print(x)
print("shakl:", x.shape, "| tur:", x.dtype, "| qurilma:", x.device)

python tekshir.py

PyTorch versiyasi: 2.14.0+cpu
GPU mavjudmi:      False
tensor([[1., 2.],
        [3., 4.]])
shakl: torch.Size([2, 2]) | tur: torch.float32 | qurilma: cpu

GPU mavjudmi: False - bu xato emas. Darslikdagi barcha misollar cpu qurilmasida ishlaydi.

Tenzor nima #

Tenzor - bu ko'p o'lchovli massiv. NumPy massivini bilsangiz, siz tenzorni ham bilasiz:

Tenzorni NumPy massividan ajratib turadigan ikki narsa bor va ikkalasi ham keyingi bo'limlarda ochiladi:

Tenzor yaratish #

import torch
import numpy as np

a = torch.zeros(2, 3)
b = torch.ones(2, 3)
c = torch.arange(6).reshape(2, 3)
torch.manual_seed(42)
d = torch.rand(2, 3)

print("zeros:\n", a)
print("arange+reshape:\n", c)
print("rand (seed 42):\n", d)

n = np.array([[1, 2], [3, 4]])
t = torch.from_numpy(n)
print("numpy dan:", t, t.dtype)

t2 = torch.tensor([1.5, 2.5])
print("float32:", t2.dtype, "| int ga:", t2.to(torch.int32))

zeros:
 tensor([[0., 0., 0.],
        [0., 0., 0.]])
arange+reshape:
 tensor([[0, 1, 2],
        [3, 4, 5]])
rand (seed 42):
 tensor([[0.8823, 0.9150, 0.3829],
        [0.9593, 0.3904, 0.6009]])
numpy dan: tensor([[1, 2],
        [3, 4]]) torch.int64
float32: torch.float32 | int ga: tensor([1, 2], dtype=torch.int32)

RuntimeError: expected scalar type Float but found Long

Takrorlanadigan natija #

Yuqorida torch.manual_seed(42) yozilgani bejiz emas. Usiz torch.rand har safar boshqa sonlar beradi va sizning natijangiz darslikdagidan farq qiladi.

torch.manual_seed(42)

Tajriba qilayotganda bu juda muhim: modelni ikki marta o'qitib, natijani solishtirmoqchi bo'lsangiz, tasodifiylik bir xil bo'lishi kerak.

Muhitni tark etish #

deactivate

Keyingi safar ishni davom ettirish uchun faqat faollashtirish kifoya - qaytadan o'rnatish shart emas.

Xulosa #

• PyTorch ni alohida virtual muhitga o'rnating - tizim paketlariga tegmaydi.
• CPU versiyasi uchun --index-url https://download.pytorch.org/whl/cpu ishlatiladi.
• Oddiy pip install torch GPU kutubxonalarini ham tortadi - bir necha gigabayt.
• torch.cuda.is_available() False qaytarishi xato emas - hamma misol CPU da ishlaydi.
• Tenzor - ko'p o'lchovli massiv, NumPy massiviga juda o'xshash.
• Tenzorni ajratib turadigan ikki narsa: avtomatik hosila va qurilma tanlash.
• Rangli rasm - uch o'lchovli tenzor (kanal, balandlik, kenglik), paket esa to'rt o'lchovli.
• Neyron tarmoqlar float32 bilan ishlaydi; int64 tenzor RuntimeError beradi.
• torch.manual_seed() natijani takrorlanadigan qiladi - tajribalar uchun majburiy.
• Bir xil urug' boshqa versiya yoki qurilmada oxirgi raqamlarda farq berishi mumkin.

Keyingi bo'limda tenzorlar ustidagi amallar va shakl bilan ishlashni o'rganamiz.