انفرادی ڈیٹا اندراجات کو 'کی شکل میں محفوظ کیا جاتا ہے۔ ٹینسر 'PyTorch میں اور' میلان گہرے سیکھنے کے ماڈل کے ٹریننگ لوپ کے اندر پیچھے کی طرف پھیلاؤ کا استعمال کرتے ہوئے ٹینسرز کا حساب لگایا جاتا ہے۔ اصطلاح ' بغیر پیمانہ ” کا مطلب ہے کہ ڈیٹا خام ہے اور اس میں کوئی پری پروسیسنگ یا اصلاح شامل نہیں ہے۔ ٹینسر کا غیر اسکیل شدہ گریڈینٹ مخصوص نقصان کے فنکشن کے بارے میں تبدیلی کی حقیقی قدر فراہم کرتا ہے۔
اس بلاگ میں، ہم اس بات پر تبادلہ خیال کریں گے کہ PyTorch میں ٹینسر کے غیر اسکیل شدہ گریڈینٹ کا حساب کیسے لگایا جائے۔
PyTorch میں ٹینسر کا غیر اسکیل شدہ گریڈینٹ کیا ہے؟
ٹینسر کثیر جہتی صفیں ہیں جو ڈیٹا پر مشتمل ہیں اور PyTorch میں GPUs پر چل سکتی ہیں۔ وہ ٹینسر جو ڈیٹاسیٹ سے خام ڈیٹا پر مشتمل ہوتے ہیں بغیر کسی پری پروسیسنگ، ٹرانسفارمیشنز، یا آپٹیمائزیشنز کو غیر اسکیلڈ ٹینسر کہتے ہیں۔ تاہم، ایک ' غیر اسکیل شدہ گریڈینٹ ” ایک غیر اسکیل شدہ ٹینسر سے مختلف ہے اور دونوں کو الجھانے کا خیال رکھنا ضروری ہے۔ ٹینسر کے غیر اسکیل شدہ گریڈینٹ کو منتخب نقصان کے فنکشن کے حوالے سے شمار کیا جاتا ہے اور اس میں مزید کوئی اصلاح یا اسکیلنگ نہیں ہوتی ہے۔
PyTorch میں ٹینسر کے غیر اسکیل شدہ گریڈینٹ کا حساب کیسے لگائیں؟
ٹینسر کا غیر اسکیل شدہ گریڈینٹ منتخب نقصان کے فنکشن سے متعلق ان پٹ ڈیٹا کی تبدیلی کی شرح کی اصل قدر ہے۔ ٹریننگ لوپ کے دوران ماڈل کے رویے اور اس کی ترقی کو سمجھنے کے لیے خام میلان ڈیٹا اہم ہے۔
PyTorch میں ٹینسر کے غیر اسکیل شدہ گریڈینٹ کا حساب لگانے کا طریقہ سیکھنے کے لیے نیچے دیے گئے مراحل پر عمل کریں:
مرحلہ 1: IDE ترتیب دے کر پروجیکٹ شروع کریں۔
Google Colaboratory IDE PyTorch پروجیکٹس کی ترقی کے لیے بہترین انتخاب میں سے ایک ہے کیونکہ یہ تیز تر پروسیسنگ کے لیے GPUs تک مفت رسائی فراہم کرتا ہے۔ کولاب پر جائیں۔ ویب سائٹ اور 'پر کلک کریں نئی نوٹ بک کام شروع کرنے کا اختیار:
مرحلہ 2: ضروری ٹارچ لائبریری درآمد کریں۔
PyTorch فریم ورک کی تمام فعالیت اس کے اندر موجود ہے۔ ٹارچ ' کتب خانہ. ہر PyTorch پروجیکٹ اس لائبریری کو انسٹال اور درآمد کرکے شروع ہوتا ہے:
!پائپ انسٹال ٹارچٹارچ درآمد کریں۔
مندرجہ بالا کوڈ اس طرح کام کرتا ہے:
- '! pip 'Python کے لیے ایک انسٹالیشن پیکج ہے جو پروجیکٹس میں لائبریریوں کو انسٹال کرنے کے لیے استعمال ہوتا ہے۔
- ' درآمد ” کمانڈ کا استعمال انسٹال شدہ لائبریریوں کو پروجیکٹ میں کال کرنے کے لیے کیا جاتا ہے۔
- اس منصوبے کو صرف 'کی فعالیت کی ضرورت ہے' ٹارچ ' کتب خانہ:
مرحلہ 3: گریڈینٹ کے ساتھ ایک PyTorch ٹینسر کی وضاحت کریں۔
کا استعمال کرتے ہیں ' torch.tensor ()'گریڈینٹ کے ساتھ ٹینسر کی وضاحت کرنے کا طریقہ' requires_grad=True طریقہ:
A = torch.tensor([5.0], requires_grad=True)مرحلہ 4: ایک سادہ نقصان فنکشن کی وضاحت کریں۔
نقصان کے فنکشن کی وضاحت ایک سادہ ریاضی کی مساوات کا استعمال کرتے ہوئے کی گئی ہے جیسا کہ دکھایا گیا ہے:
نقصان_فکشن = A*5 
مرحلہ 5: گریڈینٹ کا حساب لگائیں اور آؤٹ پٹ پر پرنٹ کریں۔
کا استعمال کرتے ہیں ' پسماندہ ()' غیر اسکیل شدہ گریڈینٹ کا حساب لگانے کا طریقہ جیسا کہ دکھایا گیا ہے:
loss_function.backward()unscaled_grad = A.grad
پرنٹ کریں
مندرجہ بالا کوڈ اس طرح کام کرتا ہے:
- کا استعمال کرتے ہیں ' پسماندہ ()' پسماندہ پھیلاؤ کے ذریعے غیر اسکیل شدہ میلان کا حساب لگانے کا طریقہ۔
- تفویض کریں ' A.grad ' کرنے کے لئے ' unscaled_grad متغیر
- آخر میں، استعمال کریں ' پرنٹ کریں ()' غیر اسکیل شدہ گریڈینٹ کے آؤٹ پٹ کو ظاہر کرنے کا طریقہ:
نوٹ : آپ اس پر ہماری Colab نوٹ بک تک رسائی حاصل کر سکتے ہیں۔ لنک .
پرو ٹِپ
ٹینسرز کا غیر اسکیل شدہ میلان PyTorch فریم ورک کے اندر ایک نیورل نیٹ ورک کے نقصان کے فنکشن کے ساتھ ان پٹ ڈیٹا کا صحیح تعلق دکھا سکتا ہے۔ خام غیر ترمیم شدہ گریڈینٹ دکھاتا ہے کہ دونوں اقدار کس طرح منظم طریقے سے منسلک ہیں۔
کامیابی! ہم نے ابھی دکھایا ہے کہ PyTorch میں ٹینسر کے غیر اسکیل شدہ گریڈینٹ کا حساب کیسے لگایا جاتا ہے۔
نتیجہ
PyTorch میں پہلے ٹینسر کی وضاحت کرکے، اور پھر گریڈینٹ کو تلاش کرنے کے لیے backward() طریقہ استعمال کرتے ہوئے، PyTorch میں ٹینسر کے غیر اسکیل شدہ گریڈینٹ کا حساب لگائیں۔ یہ ظاہر کرتا ہے کہ ڈیپ لرننگ ماڈل ان پٹ ڈیٹا کو متعین نقصان کے فنکشن کے ساتھ کیسے جوڑتا ہے۔ اس بلاگ میں، ہم نے ایک مرحلہ وار ٹیوٹوریل دیا ہے کہ PyTorch میں ٹینسر کے غیر اسکیل شدہ گریڈینٹ کا حساب کیسے لگایا جائے۔