Edición de «Torch»

{{Otros usos|Torch (desambiguación)|para=otros usos}}
{{Ficha de software
| nombre                 = Torch
| logo                   =
| desplegable            = 
| captura                = 
| pie                    = 
| desarrollador          = 
| autor                  = Ronan Collobert, Koray Kavukcuoglu, Clement Farabet
|modelo_desarrollo           = 
|lanzamiento                 = {{fecha de lanzamiento|30|10|2002}}
|web_lanzamiento             =
|última_versión              = 7.0
|fecha_última_versión        = {{fecha|27|02|2017}}
|web_última_versión          = 
|última_versión_prueba       = 
|fecha_última_versión_prueba = 
|web_última_versión_prueba   = 
|género                      = Biblioteca para [[aprendizaje automático]] y [[aprendizaje profundo]]
|lenguaje_programación       = [[Lua]], [[LuaJIT]], [[C (lenguaje de programación)|C]], [[CUDA]] and [[C++]]
|sistema_operativo           = [[Linux]], [[Android]], [[Mac OS X]], [[iOS]]
|plataforma                  = 
|licencia                    = [[Berkeley Software Distribution]]
|estado                      = 
|idiomas                     = 
|español                     =
|sitio_web                   = {{url|http://torch.ch/}}
|soporte                     = 
|versiones                   = 
}}

'''Torch''' es una biblioteca de [[código abierto]] para [[aprendizaje automático]], un marco de [[computación científica]], y un lenguaje de [[script]] basado en el lenguaje de programación [[Lua]].<ref name="nips">{{cita publicación
|autor1=Ronan Collobert
|autor2=Koray Kavukcuoglu
|autor3=Clement Farabet
|título=Torch7: A Matlab-like Environment for Machine Learning
|publicación=Neural Information Processing Systems
|año=2011
|url=http://ronan.collobert.com/pub/matos/2011_torch7_nipsw.pdf
}}</ref> Proporciona una amplia gama de algoritmos de [[aprendizaje profundo]], y usa el lenguaje de script [[LuaJIT]], sobre una implementación en [[C (lenguaje de programación)|C]].

Torch '''se ha dejado de desarrollar''' en 2017,<ref>{{Cita web|url=https://github.com/torch/torch7#development-status|título=Estado de desarrollo reportado en Febrero de 2018}}</ref> en favor de otras plataformas.  La comunidad de soporte de la última versión estable cerró definitivamente en 2019.<ref>{{Cita web|url=https://github.com/torch/torch7#need-help|título=Aviso de cierre de la comunidad de soporte de Torch7}}</ref>  Sin embargo Torch se sigue usando para proyectos terminados, e incluso en desarrollos a través de [[PyTorch]].

== torch ==
El paquete central de Torch es [https://github.com/torch/torch7 torch]. Provee un arreglo flexible N-dimensional o [[Cálculo tensorial|Tensor]], el cual soporta rutinas básicas de indexado, recorte, transposición, revisión de tipos, redimensionamiento, almacenamiento compartido y clonación. Este objeto es usado por la mayoría de los otros paquetes y por lo tanto forma el objento central de la biblioteca. El Tensor también soporta operaciones matemáticas como <code>max</code>, <code>min</code>, <code>sum</code>, distribuciones estadísticas como [[Distribución uniforme continua|uniforme continua]], [[Distribución normal|normal]] y [[Distribución multinomial|multinomial]], y operaciones [[BLAS]] como [[multiplicación de matrices]].

El siguiente ejemplo usa torch vía su intérprete [[REPL]]:
<syntaxhighlight lang="lua">
> a = torch.randn(3,4)

> =a
-0.2381 -0.3401 -1.7844 -0.2615
 0.1411  1.6249  0.1708  0.8299
-1.0434 2.2291 1.0525 0.8465
[torch.DoubleTensor of dimension 3x4]

> a[1][2]
-0.34010116549482

> a:narrow(1,1,2)
-0.2381 -0.3401 -1.7844 -0.2615
 0.1411  1.6249  0.1708  0.8299
[torch.DoubleTensor of dimension 2x4]

> a:index(1, torch.LongTensor{1,2})
-0.2381 -0.3401 -1.7844 -0.2615
 0.1411  1.6249  0.1708  0.8299
[torch.DoubleTensor of dimension 2x4]

> a:min()
-1.7844365427828
</syntaxhighlight>

El paquete torch también simplifica la [[programación orientada a objetos]] y [[serialización]] al proveer varias funciones conveniente que son usadas a través de sus paquetes. La función <code>torch.class(classname, parentclass)</code> puede ser usada para crear un [[Factory Method (patrón de diseño)|patrón de diseño]] ([[Clase (informática)|clases]]). Cuando el [[Constructor (informática)|constructor]] es llamado, torch inicializa y una tabla de Lua con la metatabla definida por el usuario, lo cual hace a la tabla un [[Objeto (programación)|objeto]].

Los objetos creados con el patrón de torch también puedens er serializados, mientras no contenga referencias a objetos que no puedan ser serializados, tales como [[Coroutine]] de Lua y ''userdata'' de Lua. Como sea, ''userdata'' puede ser serializado si es envuelto por una tabla (o metatabla) que provea los métodos <code>read()</code> y <code>write()</code>.

== nn ==
El paquete [https://github.com/torch/nn/blob/master/README.md nn] es usado para construir [[Red neuronal artificial|redes neuronales]]. Está dividido en objetos modulares que comparten una interfaz <code>Module</code> común. Los módulos tienen métodos <code>forward()</code> y <code>backward()</code> que les permiten [[Red neuronal prealimentada|prealimentar]] y [[Propagación hacia atrás|retroalimentar]], respectivamente. Los módulos pueden ser unidos usando [[Composite (patrón de diseño)|composición]] de módulos, como <code>Sequential</code>, <code>Parallel</code> y <code>Concat</code> para crear gráficas complejas a la medida de las tareas. Módulos más simples como <code>Linear</code>, <code>Tanh</code> y <code>Max</code> complementan los módulos componentes básicos. Esta interfaz modular provee [[diferenciación automática]] de primer grado. El siguiente es un ejemplo de caso de uso para construir un [[perceptrón multicapa]] usando módulos:
<syntaxhighlight lang="lua">
> mlp = nn.Sequential()
> mlp:add( nn.Linear(10, 25) ) -- 10 input, 25 hidden units
> mlp:add( nn.Tanh() ) -- some hyperbolic tangent transfer function
> mlp:add( nn.Linear(25, 1) ) -- 1 output
> =mlp:forward(torch.randn(10))
-0.1815
[torch.Tensor of dimension 1]
</syntaxhighlight>

Las [[Función de pérdida|funciones de pérdida]] son implementadas como subclases de <code>Criterion</code>, el cual tiene una interfaz similar a <code>Module</code>. También tiene los métodos <code>forward()</code> y <code>backward</code> para calcular la pérdida y gradientes de propagación hacia atrás, respectivamente. El uso de criterios es de ayuda para entrenar redes neuronales en tareas clásicas. Criterios comunes son el error cuadrático medio implementado en <code>MSECriterion</code> y la entropía cruzada implementada en <code>ClassNLLCriterion</code>. El siguiente ejemplo es una función de Lua que puede ser llamada interativamente para entrena un módulo <code>mlp</code> sobre una Tensor de entrada <code>x</code>, Tensor objetivo <code>y</code> con un escalar <code>learningRate</code>:
<syntaxhighlight lang="lua">
function gradUpdate(mlp,x,y,learningRate)
  local criterion = nn.ClassNLLCriterion()
  pred = mlp:forward(x)
  local err = criterion:forward(pred, y); 
  mlp:zeroGradParameters();
  local t = criterion:backward(pred, y);
  mlp:backward(x, t);
  mlp:updateParameters(learningRate);
end
</syntaxhighlight>

Tiene también la clase <code>StochasticGradient</code> para entrenar una red neuronal usando [[gradiente descendente estocástico]], aunque el paquete Optim provee muchas más opciones a este respecto, como algumos métodos de [[Regularización (matemáticas)|regularización]].

== Otros paquetes ==
Muchos paquetes además the los paquetes oficiales antes mencionados son usados con Torch. Estos están listado en [https://github.com/torch/torch7/wiki/Cheatsheet torch cheatsheet]. Estos paquetes extras proveen una amplia gama de utilidades tales como paralelismo, entrada/salida asíncrona, procesamiento de imagen, etc. Pueden ser instalados con [[LuaRocks]], el administrador de paquetes Lua el cual también está incluido con la distribución de Torch.

== Aplicaciones ==
Torch es usado por Facebook AI Research Group,<ref>[http://www.kdnuggets.com/2014/02/exclusive-yann-lecun-deep-learning-facebook-ai-lab.html KDnuggets Interview with Yann LeCun, Deep Learning Expert, Director of Facebook AI Lab]</ref> [[IBM]],,<ref>[https://news.ycombinator.com/item?id=7928738 Hacker News]</ref> [[Yandex]]<ref>[https://www.facebook.com/yann.lecun/posts/10152077631217143?comment_id=10152089275552143&offset=0&total_comments=6 Yann Lecun's Facebook Page]</ref> y el [[Instituto de Investigación Idiap]].<ref>[https://www.idiap.ch/scientific-research/resources/torch IDIAP Research Institute : Torch]</ref> Torch ha sido extendido para su uso en [[Android]]<ref>[https://github.com/soumith/torch-android Torch-android GitHub repository]</ref> e [[iOS]].<ref>[https://github.com/clementfarabet/torch-ios Torch-ios GitHub repository]</ref> Ha sido usado para implementaciones construidas en hardware para flujos de datos como aquellos encontrados en redes neuronales.<ref>{{Cita web |url=http://pub.clement.farabet.net/ecvw11.pdf |título=NeuFlow: A Runtime Reconﬁgurable Dataﬂow Processor for Vision |fechaacceso=3 de abril de 2017 |urlarchivo=https://web.archive.org/web/20170505184615/http://pub.clement.farabet.net/ecvw11.pdf |fechaarchivo=5 de mayo de 2017 }}</ref>

Facebook ha publicado un conjunto de módulos extensiones como software de código abierto.<ref>{{cita web |url=https://www.wired.com/2015/01/facebook-open-sources-trove-ai-tools/ |título=Facebook Open-Sources a Trove of AI Tools |website=[[Wired.com|Wired]] |fecha=16 de enero de 2015}}</ref>

== Bibliotecas relacionadas ==
* [[Deeplearning4j]], una biblioteca código abierto de aprendizaje profundo escrito para [[Java (lenguaje de programación)|Java]] y [[Scala (lenguaje de programación)|Scala]]
* [[OpenNN]], una biblioteca código abierto para redes neuronales escrito [[C++]] para aprendizaje profundo.
* [[Theano (software)|Theano]], una biblioteca código abierto de aprendizaje profundo para [[Python]].
* [[Keras]], una biblioteca código abierto de aprendizaje profundo para [[Python]].
* PyTorch, una biblioteca código abierto de aprendizaje profundo para [[Python]] y está relacionada con Torch en términos del código C/C++ subyacente.

== Referencias ==
{{listaref}}

== Enlaces externos ==
* {{Official website|http://torch.ch}}
* {{cita web |url= https://github.com/torch/torch7 |título= Torch |edición= 7 |obra= Repository |editorial= GitHub }}

{{Control de autoridades}}
[[Categoría:Software que utiliza la licencia BSD]]