Python para IA · Lección 16
¿Qué relación tiene un tensor de PyTorch con un array de NumPy, en cuanto a su propósito y capacidades adicionales específicas para deep learning?
Un tensor de PyTorch es conceptualmente similar a un array de NumPy (una estructura de datos multidimensional), pero añade capacidades adicionales específicas para deep learning, como poder ejecutarse en GPU y participar en el cálculo automático de gradientes durante el entrenamiento
Un tensor de PyTorch y un array de NumPy son exactamente la misma estructura de datos sin ninguna diferencia real de capacidades entre ellos
Un tensor de PyTorch solo puede tener exactamente una única dimensión en total, sin ninguna posibilidad real de representar datos multidimensionales más complejos
Los tensores de PyTorch solo pueden ejecutarse en CPU, sin ninguna capacidad real de aprovechar el cómputo acelerado de una GPU disponible
Python para IA · Lección 16
Completa el código
Los tensores pueden ejecutarse en GPU y participar en el cálculo automático de
Revisa: pueden ejecutarse en GPU y participar en el cálculo automático de gradientes.
Python para IA · Lección 16
¿Por qué la capacidad de un tensor de PyTorch de moverse a GPU y participar en el cálculo automático de gradientes es esencial específicamente para entrenar una red neuronal, algo que un array simple de NumPy no podría hacer directamente?
Pista: entrenar una red neuronal requiere calcular repetidamente los gradientes (derivadas) para ajustar los pesos del modelo en cada paso de aprendizaje, algo que NumPy no tiene integrado de forma automática; los tensores de PyTorch sí tienen esa capacidad incorporada (autograd), además de poder ejecutar ese cómputo intensivo en GPU para acelerarlo significativamente, dos capacidades que juntas hacen posible entrenar modelos de deep learning de forma práctica.
✓
¡Lección completada!
Tensores de PyTorch — la estructura central de deep learning
0
XP ganado
3
Vidas restantes