PyTorch és una biblioteca de codi obert per a l'aprenentatge automàtic desenvolupada per Facebook's AI Research lab (FAIR). És àmpliament utilitzada per investigadors i desenvolupadors per crear i entrenar models de xarxes neuronals. PyTorch proporciona una gran flexibilitat i facilitat d'ús, la qual cosa el fa ideal tant per a la investigació com per a la producció.

1. Tensor Computation (com NumPy) amb acceleració GPU:

   • PyTorch permet realitzar operacions numèriques eficients utilitzant tensors, que són estructures de dades similars a arrays de NumPy, però amb la capacitat d'executar-se en GPU per a un rendiment més ràpid.

2. Diferenciació Automàtica (Autograd):

   • PyTorch inclou un sistema de diferenciació automàtica que facilita la construcció i l'entrenament de xarxes neuronals. Això permet calcular gradients automàticament, essencials per a l'optimització dels models.

3. Flexibilitat i Facilitat d'Ús:

   • PyTorch és conegut per la seva interfície intuïtiva i la seva capacitat per permetre una programació dinàmica. Això significa que els gràfics computacionals es poden construir i modificar sobre la marxa, a diferència d'altres biblioteques que requereixen gràfics estàtics.

4. Suport per a Xarxes Neuronals:

   • PyTorch proporciona mòduls i funcions per construir diversos tipus de xarxes neuronals, incloent-hi xarxes convolucionals (CNNs), xarxes recurrents (RNNs), i més.

5. Comunitat i Ecosistema:

   • PyTorch té una comunitat activa i un ecosistema en creixement, amb moltes eines i biblioteques complementàries que faciliten el desenvolupament de projectes d'aprenentatge automàtic.

Explicació:

• import torch: Importa la biblioteca PyTorch.
• torch.tensor([[1, 2, 3], [4, 5, 6]]): Crea un tensor 2x3 amb els valors especificats.
• print(tensor): Mostra el tensor creat.

Explicació:

• a = torch.tensor([1, 2, 3]): Crea un tensor a.
• b = torch.tensor([4, 5, 6]): Crea un tensor b.
• c = a + b: Suma els tensors a i b.
• print(c): Mostra el resultat de la suma.

Exercici:

1. Crea un tensor 3x3 amb valors aleatoris.
2. Multiplica aquest tensor per un escalar (per exemple, 2).
3. Mostra el tensor resultant.

Solució:

En aquesta secció, hem après què és PyTorch i quines són les seves característiques clau. Hem vist com PyTorch es compara amb altres biblioteques populars com TensorFlow i NumPy. També hem explorat alguns exemples pràctics de com crear i operar amb tensors en PyTorch. Finalment, hem realitzat un exercici pràctic per reforçar els conceptes apresos. En la següent secció, configurarem l'entorn per començar a treballar amb PyTorch.