کتابخانه PyTorch چیست

فریماه ترومیده

آشنایی با کتابخانه PyTorch  

برنامه ‌نویسی  به‌ طور کلی به فرایند نوشتن و توسعه یک نرم‌ افزار کامپیوتری گفته می‌ شود. برنامه‌ نویسی به معنی یک فرایندی جهت تبدیل و سوق دادن یک الگوریتم و فرمول محاسباتی، به یک برنامه قابل اجرا یا نرم افزار توسط یک کامپیوتر و یا رایانه است. علاوه بر این از برنامه نویسی به عنوان یک حرفه و توانمندی برای ایجاد اشتغال یاد می شود. بنابراین می توان با اطمینان گفت که برنامه نویسی یک کارآفرینی است ولی برای موفقیت در این حوزه یک سوال اساسی وجود دارد،  در سال 2021 چه زبان برنامه نویسی برای یادگیری بهتر است و یا کدام زبان برنامه نویسی آینده شغلی بهتری را برای شما به ارمغان خواهد آورد؟ فرآیند برنامه ‌نویسی مستلزم انجام فعالیت‌ هایی همچون تحلیل و درک یک مسئله است و عموما حل مسائل منجر به ایجاد یک الگوریتم یا فلوچارت می ‌شود، پیاده ‌سازی این الگوریتم در یک زبان برنامه ‌نویسی، تست برنامه، اشکال زدایی و خطا یابی است و یک الگوریتم در ابتدا تنها به شکل قابل تجزیه و تحلیل برای انسان و قابل استدلال با علم منطبق می شود و در آخر به یک کد منبع و یا چند زبان برنامه‌ نویسی تبدیل خواهد شد که می توان به ویژوال بیسیک، جاوا اسکریپت، اسمال ‌تاک، پایتون، جاوا، سی شارپ، پی اچ پی، متلب، سی پلاس ‌پلاس و سی اشاره کرد.

در دنیای امروز، زبان‌ های برنامه نویسی متعددی مانند زبان برنامه نویسی پایتون، زبان برنامه نویسی متلب، زبان برنامه نویسی جاوا و غیره وجود دارد. با توجه به محبوبیت بالای زبان برنامه نویسی پایتون در یادگیری عمیق، آموزش زبان پایتون نیز یک ضرورت است.

پیش تر به کتابخانه های زبان برنامه نویسی اشاره شده است و همچنین درباره کتابخانه Scrapy  که یکی از مهم ترین و محبوب ترین کتابخانه های زبان برنامه نویسی پایتون است نیز صحبت کردیم و حال می خواهیم به کتابخانه Pytorch می پردازیم.  

کتابخانه Pytorch یک کتابخانه متن باز زبان برنامه نویسی پایتون جهت یادگیری ماشین براساس تورچ است که می‌تواند بجای Numpy استفاده شود و برای پردازش زبان طبیعی از آن استفاده می شود.  همچنین این کتابخانه کارایی بالایی برای ساخت شبکه‌ های عصبی عمیق را ارائه می‌ دهد. هم زمان با این کتابخانه می‌ توانید برای توسعه کارایی از scipy, Cypthon و numpy نیز استفاده کنید.کتابخانه PyTorch یک کتابخانه ی اوپن سورس می باشد که به زبان برنامه نویسی lua توسعه یافته است. بسیاری از شرکت های بزرگ و نامدار مانند فیسبوک، توییتر، انویدیا و اوبر از کتابخانه Pytorch برای توسعه فرایند نمونه‌ سازی در تحقیق و ایجاد یادگیری عمیق استفاده می‌کنند. لازم به ذکر است که گروه پژوهش هوش مصنوعی فیسبوک یکی از توسعه دهنده های اصلی Pytorch است.

کمپانی های بزرگی از جمله Apple، ADP, Pepsico, NVIDIA و Walmart برای یادگیری عمیق و آنالیز پیش بینی ها از این کتابخانه استفاده می کنند.

کمپانی های Amazon ، Microsoft و Google امروزه cloud computing را بر مبنای PyTorch  تولید کرده و آماده عرضه است.

یکی از ویژگی های کتابخانه‌ های زبان برنامه نویسی پایتون ایجاد تغییر در چگونگی عملکرد و کار با یادگیری عمیق و هوش مصنوعی است، البته کتابخانه PyTorch یکی از این کتابخانه‌ ها است که یکی از پلتفرم‌ های تحقیق جامع در زمینه یادگیری عمیق محسوب می‌ شود و انعطاف‌ پذیری و سرعت قابل قبولی را ارائه می‌ کند. PyTorch کتابخانه پویا و انعطاف پذیری است که کاربر می تواند با توجه به نیازهای خود از آن استفاده کند به گونه ای که در رقابت های اخیر که در سایت kaggle برگزار شده است PyTorch توانسته رتبه خوبی به دست بیاورد.

شایان ذکر است که PyTorch بزرگترین رقیب TensorFlow که یکی از کتابخانه های محبوب در زمینه یادگیری عمیق و هوش مصنوعی است، می باشد.

PyTorch از محاسبات Tensor و نمودارهای محاسباتی پویا است و می تواند رفتار شبکه در حال اجرا را تغییر دهد، اما نمودارهایی مانند TensorFlow  که در چارچوب استاتیک هستند این توانایی را ندارند. همچنین PyTorch توانایی بررسی رفتار شبکه را دارد و ساختار را نیز بررسی می کند. 

کتابخانه های زیادی وجود دارد که کار با یادگیری و هوش مصنوعی را یاد می دهند و با آن ها کار می کنند. اما یکی از کتابخانه هایی که توانسته به سرعت پیشرفت کند و مدل های شبکه عصبی را تولید نماید به همچنین ساختار اصلی تانسور را فراهم کند کتابخانه PyTorch است که همچنان در حال پیشرفت و سبقت از دیگر رقبای خود می باشد.

کتابخانه PyTorch زیر مجموعه ای از یادگیری ماشین می باشد و دارای الگوریتم هایی است که از عملکرد و ساختار مغز و شبکه های عصبی که به صورت مصنوعی هستند، ایده گرفته اند از یادگیری عمیق در مکان هایی که انسان فعالیت می کند استفاده می شود و با استفاده از آن می توان برای حل مسائل و انجام کارها و بدون نیاز به نیروی انسانی آن را حل کند، به بیان ساده تر برای حل کردن مسائل و انجام مشکلات به جای مغز انسان از کامپیوتر و هوش مصنوعی استفاده کرده اند. 

کاربردکتابخانه PyTorch

پردازش تصویر

دسته بندی تصاویر

تشخیص دست خط

یادگیری زبان طبیعی (NLP)

تشخیص اشیاء در تصویر و ویدیو 

آنالیز شبکه های اجتماعی

و همچنین پای تورچ در محیط های زیر به اجرا در می آید: 

قابل اجرا درLinux  و Windows , macOS

Cloud as a web service

در موبایل مثل iOS و اندروید

مقایسه کتابخانه PyTorch نسبت به سایر کتابخانه‌های یادگیری عمیق زبان برنامه نویسی پایتون

سایر کتابخانه‌ های دیگر مانند TensorFlow قبل از اجرا کردن مدل خود باید یک نمودار کامل محاسباتی را تعریف کنید، اما کتابخانه PyTorch  این اجازه را می‌ دهد تا نمودار خود را به شکل پویا تعریف کنید. قابلیت سطح بالای منحصر به‌ فرد خود معروف شده که شامل محاسبات تانسور با بهره ‌گیری از توان شتاب‌ دهنده پردازنده گرافیکی و ساخت شبکه‌ های عصبی عمیق در یک سیستم Autograd است.

برخلاف دیگر کتابخانه‌ ها، مانند تنسورفلو (TensorFlow) که در آن کاربر بایدکل گراف کامپیوتری را پیش از اجرای مدل تعریف کند، PyTorch امکان تعریف گراف را به صورت «پویا» نیز فراهم می‌کند.

 PyTorch برای تحقیق در زمینه یادگیری عمیق بسیار ایده‌آل است و بیشترین میزان انعطاف‌ پذیری و سرعت را فراهم می‌کند. یکی از عوامل کلیدی موفقیت PyTorch این است که کاملا بر پایه پایتون آماده‌سازی شده و هر کسی می‌تواند به‌ سادگی مدل‌ هایی از شبکه عصبی را با آن تولید کند. این کتابخانه در مقايسه با سایر رقبای خود قدمت کمتری دارد، اما به‌ سرعت در حال پیشرفت است. PyTorch ساختار داده اصلی یا همان Tensor را فراهم می‌ کند و یک ابزار خوب برای پژوهش‌ های یادگیری عمیق است و انعطاف‌ پذیری و سرعت بالا را تامین می‌ کند. تانسورهای PyTorch شباهت زیادی به آرایه‌های NumPy دارند، با این تفاوت که می‌ توان آن‌ ها را روی GPU اجرا کرد. این ویژگی بسیار مهم به حساب می‌ آید زیرا می‌ تواند محاسبات عددی را شتاب‌ دهی کند که این امر خود منجر به افزایش سرعت شبکه‌ های عصبی به میزان ۵۰ برابر و یا حتی بیشتر می‌ شود. به منظور استفاده از PyTorch، با مراجعه به سایت این کتابخانه (+) باید ابتدا آن را دانلود و نصب کرد. 

همچنین PyTorch این امکان را به کاربران می دهد تا بتوانند گراف ها را به صورت پویا فراهم نمایند. این کتابخانه ابزارها و قابلیت های خوبی را برای کاربران خود فراهم نموده است تا بتواند نسبت به کار هایی که به آن نسبت می دهند انعطاف پذیر بوده و کارها را با سرعت بیشتری به پایان برساند.

ماژول nn در کتابخانه pyTorch

با استفاده از این ماژول شما می توانید شبکه های عصبی بسازید همچنین برای این که بتواند مدل ها و یا مشتق گیری ها را انجام دهد باید به autograd توجه نماید زیرا این کار به آن بستگی دارد که شبکه ی عصبی دارای یک سری پارامتر هایی می باشد تا آن ها ازجاع داده شود که شامل:

مجموعه ی داده هایی که از ورودی تکرار می شوند.

ورودی هایی که از طریق شبکه پردازش می شوند.

نتایجی که پیش بینی شده است با مقدار های واقعی و خطا ها مقایسه خواهد شد.

با استفاده از قاعده ی به روز شدن وزن شبکه به روز رسانی خواهد شد.

از این ماژول برای ساخت شبکه‌ های عصبی در PyTorch استفاده می‌ شود و با توجه به Autograd مدل‌ ها و تمایز بین آن‌ ها را مشخص می‌ کند. 

بسته های optim در  PyTorch

در مرحله بعد از بسته optim برای تعریف یک بهینه‌ ساز که وزن را برای شما به‌ روز رسانی می‌ کند، استفاده خواهید کرد. بسته optim خلاصه‌ای از ایده بهینه‌ سازی الگوريتم را آماده کرده و امکان پیاده‌ سازی الگوريتم‌ های بهینه‌ سازی رایج مانند AdaGrad, RMSProp و Adam را فراهم می‌ کند. ما از بهینه‌ ساز Adam که یکی از بهینه‌ سازهای معروف است، استفاده خواهیم کرد.
اولین آرگمانی که این بهینه‌ ساز دریافت می‌ کند، تانسورها هستند که باید به‌ روز رسانی شوند. در گذر رو به جلو شما y پیش‌ بینی‌ شده را با عبور x به مدل محاسبه می‌ کنید. قبل از اجرای گذر رو به عقب، تمام گرادیان‌ های متغیرهایی را که با استفاده از بهینه‌ ساز به‌ روز رسانی شده‌ اند، صفر می‌ کنیم. به‌ طور پیش‌ فرض، وقتی backward فراخوانی می‌ شود گرادیان‌ ها باز نويسی نمی‌ شوند. بعد از آن تابع این بهینه‌ ساز را فرا خوانی می‌ کنیم و این به‌ روز رسانی‌‌ ها را به‌ عنوان پارامترهای آن در نظر می‌ گیریم.

PyTorch هم یک فریمورک پایتونی برای مباحث یادگیری عمیق است. است. بنابراین مگر می‌ شود خودمان شبکه‌ های کانولوشنی را پیاده‌سازی کنیم؟! جالب اینجا ست که همین PyTorch و تنسورفلو هم چرخ را از نو نمی‌ سازند. یعنی یکسری از عملیات را بر عهده اینتل و انویدیا گذاشته‌ اند تا آن ها را پیاده‌ سازی کنند. چون می‌گویند این دو شرکت CPU و GPU تولید می‌کنند و خودشان بهتر می‌دانند چگونه یک کانولوشن را روی دیوایس‌هایشان بهینه پیاده کنند. 

اگر اهل کار با متلب باشید، احتمالا می‌گویید متلب اصلا نیازی به فریمورک ندارد! چرا اتفاقا دارد. تولباکس‌های متلب حکم همان فریمورک‌ها را دارند که هرکدام قیمت بالایی هم دارند. اما به صورت غیرقانونی دانلود می‌شود و به طور رایگان از آن استفاده می شود. 

ویژگی های بسیار مهم کتابخانه PyTorch 

محاسبات تانسورها (مانند NumPy) با شتاب دهی قدرتمند GPU

مشتق خودکار برای ساخت شبکه‌ های عصبی آموزشی   

تعبیه مستقیم

مدل سرور

پشتیبانی مستقیم Tensorboard

توسعه بهبود های قابل حمل مثل : کامپایلر JIT و رابط کاربری طراحی شده با C++

 مدل

محاسبات Tensor (مثل نام‌پای) با شتاب دهی توسط جی پی یو

شبکه‌ های عصبی عمیق

همین‌ طور امکان توسعه PyTorch با استفاده از نام پای، سای پای و سایتون در مواقع لزوم فراهم است.

مزایا و معایب کتابخانه PyTorch  

 PyTorch بر مبنای زبان برنامه نویسی پایتون است و به راحتی با کتابخانه های آن ادغام می شود و مزایایی دارد که در ادامه به آن اشاره شده است:

یادگیری آن آسان است حتی اگر مبتدی باشید. همچنین قابل استفاده در ویندوز و لینوکس است و بالاترین بهره وری برای توسعه دهندگان را دارا است.اشکال زدایی  در آن آسان است و امکان موازی سازی داده ها در آن وجود دارد و  پشتیبانی از نمودار محاسباتی پویا یکی دیگر از مزایای آن است و در پایان پشتیبانی از cloud را دارا است.

در بالا به مزایای این کتابخانه اشاره شد. اما این کتابخانه معایبی نیز دارد، با توجه به اینکه  کتابخانه PyTorch در زبان برنامه نویسی پایتون جدید است، به تازگی انتشار پیدا کرده است و خود را هنوز در سطح جهانی معرفی نکرده است، هنوز کابران زیادی از آن استفاده نمی کنند. یکی دیگر از مواردی که می توان به عنوان معایب کتابخانه PyTorch به آن اشاره کرد، این است که به دلیل جدید بودن، برخی از آموزش های آن کامل نیست.

سخن آخر

در پایان به این نکته می رسیم که این کتابخانه به کاربران این امکان را می دهد تا بتوانند لایه های مختلفی مانند لایه های پیچشی، لایه های بازگشتی و لایه های خطی را ایجاد کنند که شما بسته به نوع کاری که می خواهید انجام دهید می توانید از آن ها استفاده نمایید.