Clase 2 de 24 • Curso de Redes Neuronales con PyTorch
Contenido del curso
Orlando castellanos
Carlos Alberto Bustamante Gaytan
Luis Lagardera
jonathan marin
Evelyn Graterol Rosales
Mario Alexander Vargas Celis
Alejandro Giraldo Londoño
Pablo .
siempre este debate entre si escoger tensorflow o pytorch para empezar tu camino en la inteligencia artificial y la verdad es que da igual pero no había visto un video o un argumento en español que con argumentos tan solidos justificara el uso de uno por sobre el otro definitivamente el video que necesitaba para tomar mi decisión
Si sabes los dos mucho mejor. Ambos tienen sus ventajas y desventajas, pero cierto es que Pytorch está siendo usado bastante más en la academia.
Me gusta mucho el tema de computer vision. Yolo se basa en pytorch... nada mas por eso me gusta mas. Pero es bien cierto que si aprendemos los dos pues vamos mejor armados...
Pytorch: From Research to Production PyTorch es cada vez más usado. Modelos en PyTorch en HF +71,1 K Modelos en TensorFlow en HF +5,9 K
Muy buena explicación, sobre por qué usar PyTorch!
Usar **PyTorch** tiene varias ventajas que lo han hecho muy popular en el campo del **deep learning** y la investigación en **inteligencia artificial**. Aquí te explico por qué:
### 1. **Facilidad de uso y diseño intuitivo**:
- PyTorch tiene una **interfaz sencilla y amigable** para desarrollar modelos. Su estructura es muy **pythonica**, lo que lo hace intuitivo para quienes ya están familiarizados con Python. A diferencia de otros frameworks, la sintaxis de PyTorch se siente natural al programar y sigue los principios de Python.
- Además, el **modelo imperativo** (también llamado "define-by-run") permite construir redes neuronales sobre la marcha, lo que facilita depurar el código de forma dinámica.
### 2. **Dinamismo en los gráficos computacionales**:
- PyTorch utiliza gráficos **dinámicos** de computación, lo que significa que puedes modificar el modelo en tiempo real, ejecutar código de control de flujo complejo (como if-else, bucles) y depurar fácilmente.
- Esto contrasta con otros frameworks que utilizan gráficos estáticos (como TensorFlow 1.x), en los que debes definir todo el gráfico computacional antes de ejecutarlo.
### 3. **Soporte fuerte para investigación**:
- Debido a su flexibilidad y facilidad para escribir código dinámico, PyTorch es **muy popular en el ámbito de la investigación** en deep learning. Muchos artículos y prototipos de investigaciones usan PyTorch porque permite probar ideas rápidamente.
- También está bien documentado y tiene una **gran comunidad** de investigadores y desarrolladores que contribuyen y comparten ejemplos.
### 4. **Autograd**:
- PyTorch tiene un sistema llamado **Autograd**, que automáticamente calcula los gradientes necesarios para entrenar una red neuronal, manejando de manera eficiente el cálculo de derivadas parciales y propagación hacia atrás. Esto facilita el entrenamiento y la optimización de los modelos, incluso en redes complejas.
### 5. **Soporte para GPU**:
- PyTorch facilita el uso de **GPU** (con soporte para CUDA) para acelerar el entrenamiento y la inferencia de modelos. Puedes mover tus tensores y modelos fácilmente entre CPU y GPU con unas pocas líneas de código (.cuda() y .cpu()).
- Esta capacidad hace que PyTorch sea muy eficiente para trabajar con grandes cantidades de datos o modelos complejos.
### 6. **Amplia comunidad y recursos**:
- PyTorch tiene una **gran comunidad activa** que proporciona recursos como tutoriales, ejemplos y documentación extensa.
- Hay soporte para muchas arquitecturas avanzadas de deep learning (por ejemplo, CNNs, RNNs, transformers), lo que facilita la implementación de algoritmos recientes en la investigación y aplicaciones industriales.
### 7. **Integración con otros frameworks**:
- PyTorch se integra bien con otros frameworks y herramientas de machine learning, como **ONNX (Open Neural Network Exchange)**, lo que facilita la interoperabilidad con otros frameworks como TensorFlow. También puedes exportar modelos entrenados a formatos compatibles con otras plataformas para despliegue en producción.
### 8. **PyTorch Lightning y otras extensiones**:
- Herramientas como **PyTorch Lightning** facilitan la estructura y modularidad del código, permitiendo enfocarse en el contenido y la lógica del modelo, mientras que los detalles de entrenamiento (manejo de GPUs, optimizadores, etc.) se abstraen.
### 9. **Ecosistema para producción**:
- Aunque inicialmente se consideraba más adecuado para investigación, con la introducción de **TorchServe** y la mejora de soporte para **JIT (Just-in-Time)**, PyTorch es ahora una opción sólida para **despliegue en producción**, facilitando tanto la experimentación como el paso a producción.
### 10. **Compatibilidad con el desarrollo moderno de IA**:
- PyTorch es compatible con arquitecturas modernas, como **Transformers** y redes neuronales profundas avanzadas. Muchas de las bibliotecas de NLP, como **Hugging Face Transformers**, se construyen sobre PyTorch.
En resumen, PyTorch es excelente por su facilidad de uso, flexibilidad, potencia y soporte para investigación avanzada y despliegue en producción, lo que lo convierte en una herramienta robusta para proyectos de **deep learning** en cualquier etapa del desarrollo.
■ Resumen:
- From Research to - Enfocado en la adopción de usuario pythonistas, orientado a clases y objetos. - [Pythorch Foundation](https://pytorch.org/tutorials/)- Se utiliza en la creación de modelos modernos, como transformers.- Actualmente pythorch emerge como un framework de investigación en AI.
Lista de comparación entre PyTorch y Tensorflow:
Tomado de: https://viso.ai/deep-learning/pytorch-vs-tensorflow/
