Pytorch هي مكتبة تعلم الآلة مفتوحة المصدر. على الرغم من أنه يمكن استخدامه لمجموعة واسعة من المهام ، إلا أنه من المفيد بشكل خاص لتدريب واستنتاج مهام التعلم العميق ، مثل رؤية الكمبيوتر ومعالجة اللغة الطبيعية.
أحد الأسباب الرئيسية لشعبية Pytorch هو أنه يساعد الذكاء الاصطناعي (AI) المطورين بسرعة النموذج الأولي ونماذج التعلم الآلي تصحيح.
يحصل Pytorch على اسمه من مكتبة Torch ، وهو إطار آخر للتعلم العميق مفتوح المصدر مكتوب بلغة برمجة LUA. يؤكد اسم Pytorch على طبيعة Python الصديقة للمكتبة وجذورها في مشروع Torch.
تم إنشاء Pytorch في الأصل من قبل فريق Facebook AI Research (Fair) في عام 2017. في عام 2022 ، تم تسليم إدارة مشروع Pytorch إلى مؤسسة Pytorch المحايدة. كجزء من مؤسسة Linux ، تساعد مؤسسة Pytorch في تنسيق التطوير المستقبلي للمكتبة ونظامها الإيكولوجي.
فوائد Pytorch
يقدم Pytorch مزايا متعددة جعلتها واحدة من الأطر المفضلة لمبرمجي الذكاء الاصطناعي. تشمل بعض الجوانب الأكثر شهرة للمكتبة التي تجعلها مناسبة لجميع أنواع حالات استخدام التعلم الآلي:
1. تكامل بيثون
تم بناء Pytorch على Python ، وهي لغة برمجة مستخدمة على نطاق واسع وصديقة للمبتدئين. هذا يجعل الأمر واضحًا وبسيطًا لإتقانه ، حتى بالنسبة لمطوري الذكاء الاصطناعي الجدد الذين ليس لديهم خبرة سابقة في التعلم العميق. تم تصميم Pytorch أيضًا للعمل بسلاسة داخل النظام الإيكولوجي Python ويتكامل جيدًا مع مكتبات Python الشعبية والقوية مثل Numpy و Scipy وغيرها.
2. من السهل تصحيح
يدعم Pytorch الرسوم البيانية للحساب الديناميكي ، والتي تسمح للمطورين ببناء وتعديلها أثناء الطيران. علاوة على ذلك ، فإنه يستفيد أيضًا من أدوات تصحيح الأخطاء في بيثون. تساعد هذه الميزات في جعل نماذج Pytorch تصحيح الأخطاء أكثر قابلية للإدارة وفعالية ، وهو أمر مفيد بشكل خاص عند النماذج الأولية وتجربة نماذج الذكاء الاصطناعي المختلفة.
3. تسارع GPU
4. التدريب الموزع
يدعم Pytorch التدريب الموزع ، والذي يسمح بالتدريب الفعال والاستدلال على أجهزة مختلفة ، مثل وحدات المعالجة المركزية ، و GPU. من خلال توزيع عبء العمل عبر معالجات متعددة ، أو آلات ، يزيد Pytorch من استخدام الموارد ويقلل بشكل كبير من وقت التدريب النموذجي.
5. نماذج تدريب قبل
يوفر Pytorch مجموعة واسعة من النماذج التي تم تدريبها مسبقًا ، مثل VGG و Resnet و Mobilenet وغيرها. يمكن للمطورين استخدام هذه النماذج المدربة مسبقًا ودمجها بسهولة في مشاريع Pytorch الحالية. علاوة على ذلك ، يتم تدريب هذه النماذج مسبقًا على مجموعات البيانات الكبيرة ، والتي يمكن أن تقلل بشكل كبير من كمية البيانات ووقت التدريب اللازم لنموذج لتحقيق أداء جيد. من خلال ضبط نموذج تدريب مسبقًا ، يمكن للمطورين أيضًا تحقيق أداء أفضل مقارنةً بتدريب نموذج من نقطة الصفر ، خاصةً عندما تكون مجموعة البيانات الخاصة بهم محدودة.
6. النظام البيئي الواسع
بفضل كونه مفتوح المصدر ، جمع Pytorch مجتمعًا عالميًا ضخمًا من المستخدمين والمساهمين. إنه يضم نظامًا بيئيًا غنيًا من المكتبات المصممة خصيصًا لمهام محددة ، مثل TorchVision لمهام رؤية الكمبيوتر ، و Torchaudio للمهام المتعلقة بالصوت ، و torchtext لمعالجة اللغة الطبيعية (NLP) ، وأكثر من ذلك.
العناصر الرئيسية من Pytorch
يحتوي Pytorch على ثلاثة مكونات أساسية تساعد في التطوير السريع والفعال لنماذج الشبكة العصبية المعقدة:
1
Tensors هي اللبنات الأساسية الأساسية في Pytorch ، والتي غالبًا ما يُعتقد أنها تشبه المصفوفات متعددة الأبعاد. تساعد هذه الموترات بشكل أساسي في تمثيل أي نوع من البيانات ، بما في ذلك الصور والصوت والفيديو في شكل عددي. Tensors هي نوع بيانات Pytorch الأساسي الذي يخزن ويعالج المدخلات والمخرجات للنموذج ، وكذلك معلمات النموذج. فهي أفضل في الاستفادة من إمكانيات GPU لحسابات أسرع.
2. وحدات
بفضل عدد وحدات Pytorch للوحدات النمطية ، يمكن للمطورين بناء نماذج تعليمية عميقة بسرعة مع بضعة أسطر من التعليمات البرمجية ، دون العمل لإنشاءها يدويًا. توفر وحدات مثل NN و Optim طريقة منظمة لتحديد بنية الشبكات العصبية ، بالإضافة إلى خوارزميات التحسين المختلفة التي تأتي في متناول اليد أثناء نماذج التدريب. هناك أيضًا وحدة Autograd التي تبسط إلى حد كبير تدريب الشبكات العصبية من خلال عملية backpropation.
3. الرسوم البيانية للحساب الديناميكي
يتم تمثيل نماذج التعلم العميقة في Pytorch كرسومات حسابية ديناميكية (DCGs). على عكس الرسوم البيانية الثابتة التي تم بناؤها مسبقًا ، تم تصميم هيكل الشبكة العصبية وتعديلها أثناء تشغيل الرمز الخاص بك في DCGs. يعد هذا مفيدًا بشكل خاص لتنفيذ النماذج المعقدة ولأولئك الذين يحتاجون إلى تكييف بنيةهم بناءً على المدخلات. تقوم DCGS أيضًا بتبسيط تصحيح الأخطاء لأنها تسمح للمطورين بفحص النموذج أثناء التنفيذ.
حالات استخدام Pytorch
العديد من الفوائد التي تساعد على تسريع تطوير النماذج والتدريب ، مما يجعل Pytorch إطارًا شهيرًا للتعلم العميق مع مطوري الذكاء الاصطناعي لمجموعة واسعة من المهام.
يقول جاد خاليف ، مدير هندسة المبيعات ، الشرق الأوسط وتركيا في Dataiku: “تعد Pytorch و TensorFlow من أكثر أطر العمل العميق شعبية ، وكلاهما يستخدم على نطاق واسع لبناء وتدريب نماذج التعلم الآلي”. “في حين أنها تشترك في العديد من أوجه التشابه ، فإنها تختلف اختلافًا كبيرًا في فلسفة التصميم ، وسهولة الاستخدام ، والنظام الإيكولوجي.”
يعتقد Khalife أن Pytorch مفضل في المجتمع الأكاديمي بسبب بساطته ومرونته. ويعتقد أيضًا أن الرسم البياني الديناميكي يجعل من السهل على النموذج الأولي وتجربة النماذج.
NLP هو واحد من الحقول التي يستخدم فيها Pytorch على نطاق واسع. غالبًا ما يتم استخدام المكتبة لتطوير نماذج للترجمة الآلية وتحليل المشاعر والتعرف على الصوت والتوليف. في الواقع ، ينظر العديد من مطوري الذكاء الاصطناعي إلى Pytorch كأداة مفضلة للعديد من مهام NLP ، وخاصة تلك التي تتطلب تدريب نماذج الشبكة العصبية المعقدة على كميات كبيرة من البيانات النصية.
ثم هناك ميزة تسريع GPU التي ساعدت Pytorch على وضعها كخيار رئيسي لتطبيقات رؤية الكمبيوتر المعقدة. يستخدم المطورون المكتبة بشكل شعبي لمعالجة وتصنيف الصور ومقاطع الفيديو ، واكتشاف الكائنات في الوقت الفعلي ، وأكثر من ذلك بكثير.
غالبًا ما يتم استخدامه في مهام التعلم التعزيز للمساعدة في بناء نماذج يمكن أن تتعلم من التفاعل مع البيئة ، واتخاذ القرارات بناءً على المكافآت والعقوبات. هذا يجعل Pytorch مفيدًا للتطبيقات مثل الروبوتات ، والقيادة المستقلة حيث يمكن للنموذج أن يتعلم الرد على بيئته.
- هذه هي أفضل بناة موقع AI.
Français 
العربية 
English