Tutorial: Introducción a PyTorch - Primeros Pasos en Deep Learning

 

Muy interesado en este mundo de todo lo relacionado con inteligencia artificial hoy quiero que aprendamos juntos a utilizar PyTorch, una de las librerías más populares para Deep Learning, con ejemplos prácticos. En este tutorial iremos (porque yo también estoy aprendiendo) paso a paso para comenzar con PyTorch y construir nuestros primeros modelos de redes neuronales.  Bienvenido (a)!.

El Deep Learning es una rama fascinante de la inteligencia artificial que ha logrado resultados impresionantes en una variedad de problemas complejos. En este tutorial, aprenderás a utilizar PyTorch, una potente librería de Python desarrollada por Facebook, para construir y entrenar modelos de deep learning desde cero.

¿Qué es PyTorch?

PyTorch es una librería de Python para computación en Deep Learning que permite tanto entrenar modelos como usarlos para inferencia. Es conocida por su flexibilidad y facilidad de uso, lo que la convierte en una excelente opción tanto para investigadores como para desarrolladores.

Instalación de PyTorch

Para comenzar a utilizar PyTorch, primero necesitas instalarlo en tu entorno de trabajo. A continuación, te mostramos cómo hacerlo utilizando pip.

pip install torch torchvision

Asegúrate de tener un entorno de Python configurado antes de ejecutar este comando.

Primeros Pasos con PyTorch

Veamos un pequeño ejemplo para familiarizarnos con la sintaxis básica de PyTorch.

import torch

# Declarar dos escalares de punto flotante simbólicos
a = torch.tensor(1.5)
b = torch.tensor(2.5)

# Crear una expresión simbólica simple usando la función add
c = torch.add(a, b)

print(c)

Este código crea dos tensores y realiza una suma entre ellos. La salida esperada es 4.0.

Verificar la Instalación

Para asegurarte de que PyTorch está correctamente instalado, puedes verificar la versión de la librería con el siguiente código:

import torch
print(torch.__version__)

Construir tu Primer Modelo de Red Neuronal

Vamos a construir un modelo simple de red neuronal llamado Perceptrón Multicapa (MLP). Este tipo de red es ideal para tareas de clasificación binaria.

Paso 1: Definir el Modelo

import torch.nn as nn

model = nn.Sequential(
    nn.Linear(8, 12),
    nn.ReLU(),
    nn.Linear(12, 8),
    nn.ReLU(),
    nn.Linear(8, 1),
    nn.Sigmoid()
)

print(model)

Este modelo tiene tres capas totalmente conectadas. Usamos la función de activación ReLU entre las capas y una función Sigmoid en la salida para que el resultado esté entre 0 y 1.

Paso 2: Cargar y Preparar los Datos

Utilizaremos el dataset de Pima Indians Diabetes para entrenar nuestro modelo. Descarga el dataset desde aquí.

import numpy as np

dataset = np.loadtxt('pima-indians-diabetes.data.csv', delimiter=',')
X = dataset[:, 0:8]
y = dataset[:, 8]

X = torch.tensor(X, dtype=torch.float32)
y = torch.tensor(y, dtype=torch.float32)

Paso 3: Definir la Función de Pérdida y el Optimizador

Para entrenar el modelo, necesitamos definir una función de pérdida y un optimizador. Usaremos la entropía cruzada binaria como función de pérdida y Adam como optimizador.

import torch.optim as optim

criterion = nn.BCELoss()
optimizer = optim.Adam(model.parameters(), lr=0.01)

Paso 4: Entrenar el Modelo

Entrenaremos el modelo durante varias épocas, ajustando los pesos para minimizar la función de pérdida.

# Entrenar el modelo
num_epochs = 100
for epoch in range(num_epochs):
    # Forward pass
    outputs = model(X)
    loss = criterion(outputs.squeeze(), y)

    # Backward pass y optimización
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if (epoch+1) % 10 == 0:
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

Conclusión

En este tutorial, hemos aprendido a instalar PyTorch, construir un modelo simple de red neuronal y entrenarlo utilizando un dataset de ejemplo. PyTorch es una herramienta poderosa y flexible que te permitirá desarrollar modelos de Deep Learning de manera eficiente.  Nos vemos luego con más de PyTorch.