مكتبة باي تورش : الجزء 1

مكتبة باي تورش هي مكتبة تعلم آلة وتعلم عميق مفتوحة المصدر تم انشائها من قبل شركة ميتا للغة بايثون كوريثة لمكتبة تورش في لغة سي بلس بلس , وحالياً يتم تقديم الدعم لها من قبل مؤسسة لينكس .

في عامنا الحالي تعد باي تورش منافساً قوياً لتينسورفلو وكيراس في مجال التعلم العميق , خصوصاً دعم باي تورش لنسخ بايثون الحديثة على عكس مكتبة تينسورفلو .

صورة المكتبة

يتم إستخدام المكتبة من قبل عدة جهات مثل :

تحميل المكتبة

وجب التأكد من تثبيتك للغة بايثون مسبقاً , ثم كتابة الأمر التالي في طرفية جهازك :


pip install torch torchvision torchaudio


والتأكد من أن نسخة لغة بايثون على جهازك تدعم المكتبة مثل نسخ 3.13 أو ماقبل .

مثال للوظائف الأساسية

Tensors - الموتر

يجب مراجعة كلاً من : - الجبر الخطي - مكتبة نمباي

للبدء والحديث عن الموترات في المكتبة

مقارنة بين كمية عددية ومتجه ومصفوفة وموتر
import torch
dtype = torch.float
device = torch.device("cpu")  # Execute all calculations on the CPU
# device = torch.device("cuda:0")  # Executes all calculations on the GPU

# Create a tensor and fill it with random numbers
a = torch.randn(2, 3, device=device, dtype=dtype)
print(a)
# Output: tensor([[-1.1884,  0.8498, -1.7129],
#                  [-0.8816,  0.1944,  0.5847]])

b = torch.randn(2, 3, device=device, dtype=dtype)
print(b)
# Output: tensor([[ 0.7178, -0.8453, -1.3403],
#                  [ 1.3262,  1.1512, -1.7070]])

print(a * b)
# Output: tensor([[-0.8530, -0.7183,  2.58],
#                  [-1.1692,  0.2238, -0.9981]])

print(a.sum()) 
# Output: tensor(-2.1540)

print(a[1, 2])  # Output of the element in the third column of the second row (zero-based)
# Output: tensor(0.5847)

print(a.max())
# Output: tensor(0.8498)
tensor([[ 1.6198, -1.8566, -0.5518],
        [ 0.9169,  0.8102, -0.9209]])
tensor([[ 0.6843,  0.0988, -0.8725],
        [-0.2144, -0.4877, -0.6083]])
tensor([[ 1.1085, -0.1834,  0.4814],
        [-0.1966, -0.3951,  0.5602]])
tensor(0.0176)
tensor(-0.9209)
tensor(1.6198)

الشرح

import torch وهذا هو أمر استدعاء المكتبة في الكود

dtype = torch.float هنا عرفنا نوع البيانات على أنها من نوع :

float

وهي أرقام عشرية تتكون من 32 بت , شبيهة بالنوع :

double

device = torch.device("cpu")

هنا عرفنا متغير خاص بالجهاز الذي سيتم التدريب عليه , وجعلنا المعالج هو من يقوم بالتدريب

ملاحظة : المعالج هو العقل المشغل للكمبيوتر وغالباً لا يُستخدم في التدريب لأنه يكون بطيء ويتحمل عبئ تشغيل نظام التشغيل والبرامج وكل شيء بما في ذلك تدريب النموذج , فقد يتأخر لساعات وقد لا ينجح أساساً

فلذلك نحن نستخدم كرت الشاشة أو وحدة المعالجة الرسومية المعروفة بالـ :

GPU

لأنه يمتلك العديد من الأنوية الصغيرة مقارنة بالمعالج , ولديه مهام أقل ولايحمل عبئ جهاز الحاسوب بأكمله فلذلك نرى لاعبي ألعاب الفيديو ومطوري الذكاء الاصطناعي مهتمين بكرت الشاشة أكثر من المعالج مع أنه كليهما مهم .

a = torch.randn(2, 3, device=device, dtype=dtype)

هنا قمنا بإنشاء مصفوفة مكونة من صفين وثلاثة أعمدة ذات أرقام عشوائية , وتستند على الجهاز المعرف مسبقاً وهو المعالج ونوعها رقم عشري أو فلوت عرفناه مسبقاً

b = torch.randn(2, 3, device=device, dtype=dtype)

مصفوفة أخرى نفس تفاصيل المصفوفة السابقة وأيضاً تحمل أرقاماً عشوائية

print(a * b) #ضرب المصفوفتين الأولى والثانية

print(a.sum()) #جمع كل عناصر المصفوفة

print(a[1, 2]) # العنصر في المصفوفة الأولى الموجود في الصف الأول - العمود الثاني

print(a.max()) # أعلى قيمة عنصر في المصفوفة الأولى

مصادر ومراجع :