Edición de «PyTorch»

{{Ficha de software|nombre=PyTorch|logo=PyTorch logo black.svg|autor={{Unbulleted list|Adam Paszke|Sam Gross|Soumith Chintala|Gregory Chanan}}|desarrollador=[[Facebook]]'s AI Research lab (FAIR)|licencia=[[BSD licenses|BSD]]|sitio_web={{URL|https://pytorch.org/}}|última_versión={{wikidata|property|reference|P348}}|fecha_última_versión={{start date and age|{{wikidata|qualifier|P348|P577}}}}|lenguaje programación={{Unbulleted list|[[Python (programming language)|Python]]|[[C++]]|[[CUDA]]}}|plataforma=[[IA-32]], [[x86-64]]|collapsible=|sistema_operativo={{Unbulleted list|[[Linux]]|[[macOS]]|[[Windows]]}}|idioma=inglés}}'''PyTorch'''<ref>https://itelligent.es/es/conoces-pytorch-herramienta-open-source-la-puedes-crear-redes-neuronales/</ref><ref>https://cleverpy.com/que-es-pytorch-y-como-se-instala/</ref> es una biblioteca de [[aprendizaje automático]]<ref>https://www.paradigmadigital.com/dev/introduccion-pytorch/</ref> de [[Sistema de código abierto|código abierto]] basada en la [[Biblioteca (informática)|biblioteca]] de [[Torch]], utilizado para aplicaciones como [[visión artificial]] y [[procesamiento de lenguajes naturales]], principalmente desarrollado por el Laboratorio de Investigación de Inteligencia Artificial<ref>https://hackernoon.com/pytorch-y-su-funcionamiento-0p5j32hs</ref> de [[Facebook]] (FAIR).<ref>{{Cita noticia|url=https://www.infoworld.com/article/3159120/artificial-intelligence/facebook-brings-gpu-powered-machine-learning-to-python.html|título=Facebook brings GPU-powered machine learning to Python|apellidos=Yegulalp|nombre=Serdar|fecha=2017-01-19|fechaacceso=2017-12-11}}</ref><ref>{{Cita web|url=https://www.oreilly.com/ideas/why-ai-and-machine-learning-researchers-are-beginning-to-embrace-pytorch|título=Why AI and machine learning researchers are beginning to embrace PyTorch|fechaacceso=2017-12-11|autor=Lorica|nombre=Ben|fecha=2017-08-03|editorial=O'Reilly Media}}</ref><ref>{{Cita libro|título=Deep Learning with Python|url=https://archive.org/details/deeplearningwith0000ketk|apellidos=Ketkar|nombre=Nikhil|fecha=2017|editorial=Apress, Berkeley, CA|isbn=9781484227657|páginas=[https://archive.org/details/deeplearningwith0000ketk/page/195 195]–208|idioma=en|doi=10.1007/978-1-4842-2766-4_12|capítulo=Introduction to PyTorch}}</ref><ref>{{Cita web|url=http://dl4nlp.info/en/latest/|título=Natural Language Processing (NLP) with PyTorch – NLP with PyTorch documentation|fechaacceso=2017-12-18|sitioweb=dl4nlp.info|idioma=en|fechaarchivo=21 de junio de 2019|urlarchivo=https://web.archive.org/web/20190621235455/http://dl4nlp.info/en/latest/|deadurl=yes}}</ref><ref>{{Cita noticia|url=https://www.oreilly.com/ideas/when-two-trends-fuse-pytorch-and-recommender-systems|título=When two trends fuse: PyTorch and recommender systems|apellidos=Patel|nombre=Mo|fecha=2017-12-07|fechaacceso=2017-12-18|idioma=en}}</ref><ref>{{Cita noticia|url=https://techcrunch.com/2017/09/07/facebook-and-microsoft-collaborate-to-simplify-conversions-from-pytorch-to-caffe2/|título=Facebook and Microsoft collaborate to simplify conversions from PyTorch to Caffe2|apellidos=Mannes|nombre=John|fechaacceso=2017-12-18|idioma=en|cita=FAIR is accustomed to working with PyTorch – a deep learning framework optimized for achieving state of the art results in research, regardless of resource constraints. Unfortunately in the real world, most of us are limited by the computational capabilities of our smartphones and computers.}}</ref><ref>{{Cita web|url=https://venturebeat.com/2017/11/29/tech-giants-are-using-open-source-frameworks-to-dominate-the-ai-community/|título=Tech giants are using open source frameworks to dominate the AI community|fechaacceso=2017-12-18|autor=Arakelyan|nombre=Sophia|fecha=2017-11-29|sitioweb=[[VentureBeat]]|idioma=en-US}}</ref> Es un [[software libre y de código abierto]] liberado bajo la [[Licencia BSD|Licencia Modificada de BSD]]. A pesar de que la interfaz de [[Python]] está más pulida y es el foco principal del desarrollo, PyTorch también tiene una interfaz en [[C++]].<ref>{{Cita web|url=https://pytorch.org/cppdocs/frontend.html|título=The C++ Frontend|fechaacceso=2019-07-29|sitioweb=PyTorch Master Documentation}}</ref>

Un número de las piezas de software de [[Aprendizaje profundo|Aprendizaje Profundo]] están construidas utilizando PyTorch, incluyendo Tesla Autopilot,<ref>{{Cita web|url=https://www.youtube.com/watch?v=oBklltKXtDE|título=PyTorch at Tesla - Andrej Karpathy, Tesla|autor=Karpathy|nombre=Andrej}}</ref> [[Uber]]'s Pyro, HuggingFace's Transformers, [[PyTorch Lightning|PyTorch Lighting]],<ref>{{Obra citada|título=PYTORCH-Lightning: The lightweight PyTorch wrapper for ML researchers. Scale your models. Write less boilerplate|url=https://github.com/PyTorchLightning/pytorch-lightning/|fechaacceso=2020-06-18|fecha=2020-06-18|editorial=Lightning-Team}}</ref><ref>{{Cita web|url=https://pytorch.org/ecosystem/|título=Ecosystem Tools|fechaacceso=2020-06-18|sitioweb=pytorch.org|idioma=en}}</ref> y Catalyst.<ref>{{Cita noticia|url=https://eng.uber.com/pyro/|título=Uber AI Labs Open Sources Pyro, a Deep Probabilistic Programming Language|fecha=2017-11-03|fechaacceso=2017-12-18|idioma=en-US}}</ref><ref>{{Obra citada|título=PYTORCH-TRANSFORMERS: PyTorch implementations of popular NLP Transformers|url=https://pytorch.org/hub/huggingface_pytorch-transformers/|fechaacceso=2019-12-01|fecha=2019-12-01|editorial=PyTorch Hub}}</ref><ref>{{Obra citada|título=GitHub - catalyst-team/catalyst: Accelerated DL & RL|url=https://github.com/catalyst-team/catalyst|fechaacceso=2019-12-05|fecha=2019-12-05|editorial=Catalyst-Team}}</ref><ref>{{Cita web|url=https://pytorch.org/ecosystem/|título=Ecosystem Tools|fechaacceso=2020-04-04|sitioweb=pytorch.org|idioma=en}}</ref>

PyTorch proporciona dos características de alto nivel:<ref>{{Cita web|url=https://pytorch.org/about/|título=PyTorch – About|fechaacceso=2018-06-11|sitioweb=pytorch.org|urlarchivo=https://web.archive.org/web/20180615190804/https://pytorch.org/about/|fechaarchivo=2018-06-15}}</ref>

* Computación de tensores (como [[NumPy]] ) con una aceleración fuerte a través de unidades de procesamientos gráficos ([[GPU]]).
* [[Aprendizaje profundo|Redes neuronales profundas]]<ref>https://www.genbeta.com/desarrollo/asi-puedes-aprender-a-usar-pytorch-herramienta-accesible-para-crear-redes-neuronales</ref> construidas en un sistema de [[diferenciación automática]] de [[bases de datos]].

Además, PyTorch se integra bien con bibliotecas como TensorRT para inferencia de alto rendimiento y soporta formatos como [[ONNX]] para facilitar el despliegue en diversas plataformas.<ref> https://pytorch.org/docs/stable/onnx.html </ref>

== Historia ==
[[Facebook]] operó ''PyTorch'' y ''Convolutional Architecture for Fast Feature Embedding'' (Caffe2), pero los modelos definidos para los dos [[Framework|entornos de trabajo o Frameworks]] eran incompatibles. El proyecto Open Neural Network Exchange (ONNX<ref>{{Cita web|url=https://www.hormigatv.com/open-neural-network-exchange-intel-define-compromiso/|título=Open Neural Network Exchange: Intel define su compromiso {{!}} Hormigatv|fechaacceso=2020-12-03|apellido=Lozano|nombre=Marcelo|idioma=es}}</ref><ref>{{Cita web|url=https://onnx.ai/|título=ONNX {{!}} Home|fechaacceso=2020-12-03|sitioweb=onnx.ai}}</ref>) fue creado por [[Facebook]] y [[Microsoft]] en septiembre de 2017 para convertir modelos entre [[Framework|frameworks]]. Caffe2 se fusionó con PyTorch a finales de marzo de 2018.<ref>{{Cita web|url=https://medium.com/@Synced/caffe2-merges-with-pytorch-a89c70ad9eb7|título=Caffe2 Merges With PyTorch|fecha=2018-04-02}}</ref>

== Módulos ==

=== Autograd module ===
PyTorch utiliza un método llamado [[diferenciación automática]]. Unos registrador registra lo que las operaciones que se han hecho, y luego las reproduce hacia atrás para calcular los gradientes. Este método es especialmente potente cuando se están construyendo redes neuronales para ahorrar tiempo en una época en la que calcular la diferenciación de los parámetros es un paso adelante.

=== <code>Optim</code> module ===
<code>torch.optim</code> es un módulo que implementa varios algoritmos de optimización que se utilizan para construir redes neuronales. La mayoría de los métodos comúnmente usados ya son compatibles, por lo que no hay ninguna necesidad de crearlos desde cero.

=== <code>nn</code> module ===
PyTorch Autograd hace que sea fácil definir gráficos computacionales y coger distintos [[Grado (matemática)|grados]], pero Raw Autograd puede ser un nivel demasiado bajo para definir redes neuronales complejas. Por esto es por lo que se creó el módulo <code>nn</code>, para ayudar a crear redes neuronales más complejas.

== Véase también ==
* [[Lista de proyectos de inteligencia artificial]]
* Comparación de software de aprendizaje profundo
* Programación diferenciable
* DeepSpeed
* [[Torch|Linterna (aprendizaje de máquina)]]
* Tensor

== Referencias ==
{{Listaref}}

== Enlaces externos ==

* {{Página web|https://pytorch.org}}
{{Control de autoridades}}
[[Categoría:Software que utiliza la licencia BSD]]
[[Categoría:Software libre programado en Python]]
[[Categoría:Software libre programado en C]]
[[Categoría:Software científico libre]]
[[Categoría:Software de Facebook]]
[[Categoría:Aprendizaje automático aplicado]]