PyTorch を学ぶには？簡単すぎる

多くの友人から、PyTorch の学習方法を尋ねられました。長期間の練習を経て、初心者が知っておく必要のある概念や使用法は実際にはそれほど多くないことがわかりました。以下にまとめた簡潔なガイドを見てみましょう。

テンソルの構築

PyTorch のテンソルは、NumPy の ndarray に似た多次元配列ですが、GPU 上で実行できます。

 import torch # Create a 2x3 tensor tensor = torch.tensor([[1, 2, 3], [4, 5, 6]]) print(tensor)

動的計算グラフ

PyTorch は、操作の実行時にオンザフライで構築される動的計算グラフを使用します。これにより、実行時にグラフを変更する柔軟性が得られます。

 # Define two tensors a = torch.tensor([2.], requires_grad=True) b = torch.tensor([3.], requires_grad=True) # Compute result c = a * b c.backward() # Gradients print(a.grad) # Gradient wrt a

GPUアクセラレーション

PyTorch を使用すると、CPU と GPU を簡単に切り替えることができます。 .to(device) を使用します:

 device = "cuda" if torch.cuda.is_available() else "cpu" tensor = tensor.to(device)

Autograd: 自動微分化

PyTorch の autograd は、テンソルのすべての演算に対して自動微分を提供します。 requires_grad=True を設定すると、計算を追跡できます。

 x = torch.tensor([2.], requires_grad=True) y = x**2 y.backward() print(x.grad) # Gradient of y wrt x

モジュラーニューラルネットワーク

PyTorch は、ニューラル ネットワーク アーキテクチャを定義し、サブクラス化によってカスタム レイヤーを作成するための nn.Module クラスを提供します。

 import torch.nn as nn class SimpleNN(nn.Module): def __init__(self): super().__init__() self.fc = nn.Linear(1, 1) def forward(self, x): return self.fc(x)

定義済みのレイヤーと損失関数

PyTorch は、nn モジュールでさまざまな定義済みレイヤー、損失関数、最適化アルゴリズムを提供します。

 loss_fn = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

データセットとデータローダー

効率的なデータ処理とバッチ処理を実現するために、PyTorch は Dataset クラスと DataLoader クラスを提供します。

 from torch.utils.data import Dataset, DataLoader class CustomDataset(Dataset): # ... (methods to define) data_loader = DataLoader(dataset, batch_size=32, shuffle=True)

モデルのトレーニング（ループ）

通常、PyTorch のトレーニングは、順方向伝播、損失計算、逆方向パス、パラメータ更新というパターンに従います。

 for epoch in range(epochs): for data, target in data_loader: optimizer.zero_grad() output = model(data) loss = loss_fn(output, target) loss.backward() optimizer.step()

モデルのシリアル化

torch.save() と torch.load() を使用してモデルを保存および読み込みます。

 # Save torch.save(model.state_dict(), 'model_weights.pth') # Load model.load_state_dict(torch.load('model_weights.pth'))

ジット

PyTorch はデフォルトで Eager モードで実行されますが、モデルの Just-In-Time (JIT) コンパイルも提供します。

 scripted_model = torch.jit.script(model) scripted_model.save("model_jit.pt")