Tenseur

Library : torch

Les tenseurs sont :

• un type de tableau spécialisé pour la modélisation qui sont optimisés pour les GPU.
• un type particulier de numpy. GPU beaucoup plus rapides. parallèle contre séquentiel bcp plus de coeurs.
• des tableaux mutlidimentionnels avec des opérations particulières.

Utilisation de GPU

L'apprentissage sur les tenseurs peut être accélérer en utilisant la puissance des cartes graphiques.

cuda.is_available() Vérifier si le GPU peut être utilisé pour les calculs. Dans le cas où c'est le cas, il faut tensor.to('cuda').

Déclarer un tenseur

Il faut créer une classe avec les caractéristiques :

class donnee(torch.utils.data.Dataset):

    def __init__(self):
        # déclarer les données en séparant données explicative et la variable à prédire.
        self.x = lot.get(clés[1])
        self.y = lot.get(clés[1])

    def __getitem__(self, index):
        # renvoie les variables explicatives et celle expliqué
        return self.x[index], self.y[index] 

    def __len__(self):
        # renvoie la dimension
        return len( self.x )

Library torch.utils.data.

• train, test = random_split(dataset, [20000, 5000]) créer un jeu de test et d'apprentissage à partir d'un tenseur.

• torch.utils.data.DataLoader(dataset = donnee()) transformer un data en tensor. Paramètres de DataLoader :

  • batch_size=nbre taille des lots.
  • shuffle=True répartir aléatoirement les individus.

Convertir en tenseur

Library : torch

• tensor(data) convertie un numpy en tenseur.
• data.numpy() convertie un tenseur en numpy.
• from_numpy() convertie en tenseur.
• ones_like(tenseur) créer un tenseur de meme dimension.
• rand_like(tenseur) créer un tenseur de meme dimension avec des valeurs aléatoire.
• rand(dimension) exemple dimension = (2,3,) ones() avec des 1 avec des zeros() avec des 0.

Paramètre :

• dtype=type préciser le type de variable.

Type	Définition
torch.float	décimaux
torch.int32	entiers

• tenseur.dtype affiche le type de data de chaque champs du tenseur.