Tweet
Thiết lập môi trường
Nếu bạn bắt đầu bước vào thế giới Machine Learning và Deep Learning, bạn sẽ nhanh chóng nhận ra tầm quan trọng của việc lựa chọn đúng công cụ. Một trong những framework phổ biến và thân thiện nhất với người mới bắt đầu là PyTorch. Nhưng PyTorch có gì đặc biệt và tại sao chúng ta nên quan tâm?
Về bản chất, PyTorch là một thư viện mạnh mẽ và linh hoạt được thiết kế để xây dựng và huấn luyện các mô hình Deep Learning. Có thể hình dung nó như một bộ công cụ giúp chúng ta xử lý dữ liệu, huấn luyện mạng neural và xây dựng các mô hình phục vụ những tác vụ như nhận dạng hình ảnh, sinh văn bản hoặc dự đoán kết quả dựa trên dữ liệu lịch sử.
PyTorch là mã nguồn mở (Open Source), nghĩa là bạn có thể sử dụng miễn phí và được hỗ trợ bởi một cộng đồng phát triển rất lớn.
PyTorch và Tensor
PyTorch được viết chủ yếu để sử dụng thông qua Python – đó cũng là nguồn gốc của chữ "Py" trong tên gọi. Vì vậy, những người đã biết Python sẽ cảm thấy khá tự nhiên khi làm việc với PyTorch.
Một trong những khái niệm quan trọng nhất của PyTorch là Tensor.
Tensor về cơ bản là các mảng dữ liệu nhiều chiều. Có thể xem chúng như phiên bản mạnh hơn của NumPy Array và là thành phần nền tảng để PyTorch thực hiện các phép tính của mạng neural.
PyTorch có thể tận dụng nhiều loại phần cứng để tăng tốc tính toán như:
Vì vậy, khi cài đặt PyTorch, bạn cần lựa chọn phiên bản phù hợp với phần cứng và hệ điều hành của mình.
Riêng bài thực hành này được thiết kế để chạy tốt trên CPU, vì vậy không bắt buộc phải có GPU. Yêu cầu phần cứng và hệ điều hành
Trước khi cài đặt PyTorch, hãy đảm bảo hệ thống đã được cập nhật. Các hệ điều hành được hỗ trợ bao gồm:
Bạn có thể cài PyTorch bằng pip.
Trên Windows:
pip3 install torch torchvision torchaudio
Trên macOS, bao gồm máy Mac sử dụng Apple Silicon M1/M2:
pip3 install torch torchvision torchaudio
Trên Linux, nếu sử dụng CPU:
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
Bài thực hành này được phát triển trên Linux, vì vậy khi thực hiện trên Windows hoặc macOS, cần lưu ý một số khác biệt giữa các hệ điều hành, đặc biệt là cách biểu diễn đường dẫn file (file path). Cài đặt các package cần thiết
Ngoài PyTorch, chúng ta cần thêm một số thư viện Python. Pandas
Pandas cung cấp cấu trúc DataFrame rất thuận tiện cho việc tổ chức và xử lý dữ liệu.
pip3 install pandas Matplotlib
Matplotlib được sử dụng để trực quan hóa dữ liệu và hiển thị kết quả.
pip3 install matplotlib NumPy
NumPy được sử dụng cho các thao tác tính toán và xử lý dữ liệu số nói chung.
pip3 install numpy
Bạn cũng có thể bỏ qua việc cài từng package riêng lẻ và cài tất cả từ requirements file theo hướng dẫn ở phần "Install from requirements file".
Sau khi hoàn thành các bước trên, môi trường cơ bản để học và thực hành PyTorch, Machine Learning và Deep Learning đã sẵn sàng.
Điểm cần nhớ ở giai đoạn này rất đơn giản: Python là ngôn ngữ, PyTorch là framework Deep Learning, Tensor là cấu trúc dữ liệu nền tảng, còn CPU/GPU là phần cứng thực hiện các phép tính.
Và quan trọng nhất đối với người mới học: chưa có GPU vẫn học PyTorch bình thường. GPU chỉ trở nên thực sự quan trọng khi mô hình và lượng dữ liệu bắt đầu lớn hơn.
Nếu bạn bắt đầu bước vào thế giới Machine Learning và Deep Learning, bạn sẽ nhanh chóng nhận ra tầm quan trọng của việc lựa chọn đúng công cụ. Một trong những framework phổ biến và thân thiện nhất với người mới bắt đầu là PyTorch. Nhưng PyTorch có gì đặc biệt và tại sao chúng ta nên quan tâm?
Về bản chất, PyTorch là một thư viện mạnh mẽ và linh hoạt được thiết kế để xây dựng và huấn luyện các mô hình Deep Learning. Có thể hình dung nó như một bộ công cụ giúp chúng ta xử lý dữ liệu, huấn luyện mạng neural và xây dựng các mô hình phục vụ những tác vụ như nhận dạng hình ảnh, sinh văn bản hoặc dự đoán kết quả dựa trên dữ liệu lịch sử.
PyTorch là mã nguồn mở (Open Source), nghĩa là bạn có thể sử dụng miễn phí và được hỗ trợ bởi một cộng đồng phát triển rất lớn.
PyTorch và Tensor
PyTorch được viết chủ yếu để sử dụng thông qua Python – đó cũng là nguồn gốc của chữ "Py" trong tên gọi. Vì vậy, những người đã biết Python sẽ cảm thấy khá tự nhiên khi làm việc với PyTorch.
Một trong những khái niệm quan trọng nhất của PyTorch là Tensor.
Tensor về cơ bản là các mảng dữ liệu nhiều chiều. Có thể xem chúng như phiên bản mạnh hơn của NumPy Array và là thành phần nền tảng để PyTorch thực hiện các phép tính của mạng neural.
PyTorch có thể tận dụng nhiều loại phần cứng để tăng tốc tính toán như:
- GPU NVIDIA hoặc AMD.
- Chip Apple M1 và M2.
- GPU Intel.
- CPU thông thường.
Vì vậy, khi cài đặt PyTorch, bạn cần lựa chọn phiên bản phù hợp với phần cứng và hệ điều hành của mình.
Riêng bài thực hành này được thiết kế để chạy tốt trên CPU, vì vậy không bắt buộc phải có GPU. Yêu cầu phần cứng và hệ điều hành
Trước khi cài đặt PyTorch, hãy đảm bảo hệ thống đã được cập nhật. Các hệ điều hành được hỗ trợ bao gồm:
- Windows: Windows 7 trở lên, khuyến nghị Windows 10 hoặc mới hơn.
- macOS: macOS 10.15 Catalina hoặc mới hơn.
- Linux: Phần lớn các distribution sử dụng glibc 2.17 trở lên, chẳng hạn Ubuntu 18.04+, Debian 10+ và CentOS 8+.
- WSL 2: Có yêu cầu tương tự Linux.
Bạn có thể cài PyTorch bằng pip.
Trên Windows:
pip3 install torch torchvision torchaudio
Trên macOS, bao gồm máy Mac sử dụng Apple Silicon M1/M2:
pip3 install torch torchvision torchaudio
Trên Linux, nếu sử dụng CPU:
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
Bài thực hành này được phát triển trên Linux, vì vậy khi thực hiện trên Windows hoặc macOS, cần lưu ý một số khác biệt giữa các hệ điều hành, đặc biệt là cách biểu diễn đường dẫn file (file path). Cài đặt các package cần thiết
Ngoài PyTorch, chúng ta cần thêm một số thư viện Python. Pandas
Pandas cung cấp cấu trúc DataFrame rất thuận tiện cho việc tổ chức và xử lý dữ liệu.
pip3 install pandas Matplotlib
Matplotlib được sử dụng để trực quan hóa dữ liệu và hiển thị kết quả.
pip3 install matplotlib NumPy
NumPy được sử dụng cho các thao tác tính toán và xử lý dữ liệu số nói chung.
pip3 install numpy
Bạn cũng có thể bỏ qua việc cài từng package riêng lẻ và cài tất cả từ requirements file theo hướng dẫn ở phần "Install from requirements file".
Sau khi hoàn thành các bước trên, môi trường cơ bản để học và thực hành PyTorch, Machine Learning và Deep Learning đã sẵn sàng.
Điểm cần nhớ ở giai đoạn này rất đơn giản: Python là ngôn ngữ, PyTorch là framework Deep Learning, Tensor là cấu trúc dữ liệu nền tảng, còn CPU/GPU là phần cứng thực hiện các phép tính.
Và quan trọng nhất đối với người mới học: chưa có GPU vẫn học PyTorch bình thường. GPU chỉ trở nên thực sự quan trọng khi mô hình và lượng dữ liệu bắt đầu lớn hơn.