PyTorch - Versionsgeschichte

Mike Krüger: IWL zum Hauptartikel

2024-11-15T07:30:12Z

IWL zum Hauptartikel

← Nächstältere Version		Version vom 15. November 2024, 09:30 Uhr
Zeile 44:		Zeile 44:
	\|-		\|-
	\|[https://github.com/pytorch/elf ELF]		\|[https://github.com/pytorch/elf ELF]
	\|[[~~Künstliche~~ Intelligenz#Computer- und ~~Gesellschaftsspiele~~\|Lösen von Computerspielen]]		\|[[Anwendungen künstlicher Intelligenz#KI in Computer- und Gesellschaftsspielen\|Lösen von Computerspielen]]
	\|-		\|-
	\|[https://docs.fast.ai/ fastai]		\|[https://docs.fast.ai/ fastai]

Mike Krüger: Abschnittslink korr.

2024-10-10T19:44:06Z

Abschnittslink korr.

← Nächstältere Version		Version vom 10. Oktober 2024, 21:44 Uhr
Zeile 44:		Zeile 44:
	\|-		\|-
	\|[https://github.com/pytorch/elf ELF]		\|[https://github.com/pytorch/elf ELF]
	\|[[Künstliche Intelligenz#In Computer- und ~~Gesellschaftsspielen~~\|Lösen von Computerspielen]]		\|[[Künstliche Intelligenz#Computer- und Gesellschaftsspiele\|Lösen von Computerspielen]]
	\|-		\|-
	\|[https://docs.fast.ai/ fastai]		\|[https://docs.fast.ai/ fastai]

Faulenzius Seltenda am 27. Mai 2024 um 06:13 Uhr

2024-05-27T06:13:03Z

← Nächstältere Version		Version vom 27. Mai 2024, 08:13 Uhr
Zeile 20:		Zeile 20:
	}}		}}

	'''PyTorch''' ist eine auf [[Maschinelles Lernen]] ausgerichtete [[Open-Source]]-[[Programmbibliothek]] für die [[Programmiersprache]] [[Python (Programmiersprache)\|Python]], basierend auf der in [[Lua]] geschriebenen Bibliothek [[Torch (software)\|Torch]], die bereits seit 2002 existiert.<ref>{{Literatur \|Autor=Serdar Yegulalp \|Titel=Facebook brings GPU-powered machine learning to Python \|Sammelwerk=InfoWorld \|Datum= \|Online=https://www.infoworld.com/article/3159120/artificial-intelligence/facebook-brings-gpu-powered-machine-learning-to-python.html \|Abruf=2018-01-26}}</ref><ref>{{Literatur \|Autor=Ben Lorica \|Titel=Why AI and machine learning researchers are beginning to embrace PyTorch \|Sammelwerk=O’Reilly Media \|Datum=2017-08-03 \|Online=https://www.oreilly.com/ideas/why-ai-and-machine-learning-researchers-are-beginning-to-embrace-pytorch \|Abruf=2018-01-26}}</ref><ref>{{Literatur \|Autor=Nikhil Ketkar \|Titel=Introduction to PyTorch \|Sammelwerk=Deep Learning with Python \|Verlag=Apress, Berkeley, CA \|Datum=2017 \|ISBN=978-1-4842-2765-7 \|Seiten=195–208 \|Online=https://link.springer.com/chapter/10.1007/978-1-4842-2766-4_12 \|Abruf=2018-01-26 \|DOI=10.1007/978-1-4842-2766-4_12}}</ref> Entwickelt wurde PyTorch ~~von dem~~ [[Facebook]]-Forschungsteam für [[künstliche Intelligenz]].<ref>{{Literatur \|Autor=Mo Patel \|Titel=When two trends fuse: PyTorch and recommender systems \|Sammelwerk=O’Reilly Media \|Datum=2017-12-07 \|Online=https://www.oreilly.com/ideas/when-two-trends-fuse-pytorch-and-recommender-systems \|Abruf=2018-01-26}}</ref><ref>{{Literatur \|Autor=John Mannes \|Titel=Facebook and Microsoft collaborate to simplify conversions from PyTorch to Caffe2 \|Sammelwerk=TechCrunch \|Datum= \|Online=https://techcrunch.com/2017/09/07/facebook-and-microsoft-collaborate-to-simplify-conversions-from-pytorch-to-caffe2/ \|Abruf=2018-01-26}}</ref><ref>{{Internetquelle \|url=https://venturebeat.com/2017/11/29/tech-giants-are-using-open-source-frameworks-to-dominate-the-ai-community/ \|titel=Tech giants are using open source frameworks to dominate the AI community {{!}} VentureBeat \|sprache=en-US \|abruf=2018-01-26}}</ref> Im September 2022 wurde Pytorch mittels der neugegründeten Pytorch Foundation Teil der [[Linux Foundation]].<ref>{{Internetquelle \|url=https://pytorch.org/blog/PyTorchfoundation/ \|titel=PyTorch strengthens its governance by joining the Linux Foundation \|sprache=en \|abruf=2022-09-13}}</ref>		'''PyTorch''' ist eine auf [[Maschinelles Lernen]] ausgerichtete [[Open-Source]]-[[Programmbibliothek]] für die [[Programmiersprache]] [[Python (Programmiersprache)\|Python]], basierend auf der in [[Lua]] geschriebenen Bibliothek [[Torch (software)\|Torch]], die bereits seit 2002 existiert.<ref>{{Literatur \|Autor=Serdar Yegulalp \|Titel=Facebook brings GPU-powered machine learning to Python \|Sammelwerk=InfoWorld \|Datum= \|Online=https://www.infoworld.com/article/3159120/artificial-intelligence/facebook-brings-gpu-powered-machine-learning-to-python.html \|Abruf=2018-01-26}}</ref><ref>{{Literatur \|Autor=Ben Lorica \|Titel=Why AI and machine learning researchers are beginning to embrace PyTorch \|Sammelwerk=O’Reilly Media \|Datum=2017-08-03 \|Online=https://www.oreilly.com/ideas/why-ai-and-machine-learning-researchers-are-beginning-to-embrace-pytorch \|Abruf=2018-01-26}}</ref><ref>{{Literatur \|Autor=Nikhil Ketkar \|Titel=Introduction to PyTorch \|Sammelwerk=Deep Learning with Python \|Verlag=Apress, Berkeley, CA \|Datum=2017 \|ISBN=978-1-4842-2765-7 \|Seiten=195–208 \|Online=https://link.springer.com/chapter/10.1007/978-1-4842-2766-4_12 \|Abruf=2018-01-26 \|DOI=10.1007/978-1-4842-2766-4_12}}</ref> Entwickelt wurde PyTorch vom [[Facebook]]-Forschungsteam für [[künstliche Intelligenz]].<ref>{{Literatur \|Autor=Mo Patel \|Titel=When two trends fuse: PyTorch and recommender systems \|Sammelwerk=O’Reilly Media \|Datum=2017-12-07 \|Online=https://www.oreilly.com/ideas/when-two-trends-fuse-pytorch-and-recommender-systems \|Abruf=2018-01-26}}</ref><ref>{{Literatur \|Autor=John Mannes \|Titel=Facebook and Microsoft collaborate to simplify conversions from PyTorch to Caffe2 \|Sammelwerk=TechCrunch \|Datum= \|Online=https://techcrunch.com/2017/09/07/facebook-and-microsoft-collaborate-to-simplify-conversions-from-pytorch-to-caffe2/ \|Abruf=2018-01-26}}</ref><ref>{{Internetquelle \|url=https://venturebeat.com/2017/11/29/tech-giants-are-using-open-source-frameworks-to-dominate-the-ai-community/ \|titel=Tech giants are using open source frameworks to dominate the AI community {{!}} VentureBeat \|sprache=en-US \|abruf=2018-01-26}}</ref> Im September 2022 wurde Pytorch mittels der neugegründeten Pytorch Foundation Teil der [[Linux Foundation]].<ref>{{Internetquelle \|url=https://pytorch.org/blog/PyTorchfoundation/ \|titel=PyTorch strengthens its governance by joining the Linux Foundation \|sprache=en \|abruf=2022-09-13}}</ref>

	== Funktionen und Versionsgeschichte ==		== Funktionen und Versionsgeschichte ==

At40mha: Abschnittlink korrigiert

2024-05-21T20:03:00Z

Abschnittlink korrigiert

← Nächstältere Version		Version vom 21. Mai 2024, 22:03 Uhr
Zeile 44:		Zeile 44:
	\|-		\|-
	\|[https://github.com/pytorch/elf ELF]		\|[https://github.com/pytorch/elf ELF]
	\|[[Künstliche Intelligenz#~~KI in~~ Computer- und Gesellschaftsspielen\|Lösen von Computerspielen]]		\|[[Künstliche Intelligenz#In Computer- und Gesellschaftsspielen\|Lösen von Computerspielen]]
	\|-		\|-
	\|[https://docs.fast.ai/ fastai]		\|[https://docs.fast.ai/ fastai]

95.223.56.35: /* Beispiel */ die Zeile kommt zuerst, danach die Spalte.

2024-03-07T21:22:17Z

Beispiel: die Zeile kommt zuerst, danach die Spalte.

← Nächstältere Version		Version vom 7. März 2024, 23:22 Uhr
Zeile 120:		Zeile 120:
	# Ausgabe: tensor(-2.1540)		# Ausgabe: tensor(-2.1540)

	print(a[3,2]) # Ausgabe des Elements in der dritten Spalte der zweiten Zeile		print(a[2,3]) # Ausgabe des Elements in der dritten Spalte der zweiten Zeile
	# Ausgabe: tensor(0.5847)		# Ausgabe: tensor(0.5847)

Ocd-cologne: Änderung 237548920 von 2A01:5241:281:DF00:A29B:A734:BC61:A99D rückgängig gemacht; Bitte ein Beleg?

2023-09-22T16:39:42Z

Änderung 237548920 von 2A01:5241:281:DF00:A29B:A734:BC61:A99D rückgängig gemacht; Bitte ein Beleg?

← Nächstältere Version		Version vom 22. September 2023, 18:39 Uhr
Zeile 23:		Zeile 23:

	== Funktionen und Versionsgeschichte ==		== Funktionen und Versionsgeschichte ==
	Mit der Programmbibliothek lassen sich zum einen mit [[Grafikprozessor\|GPUs]] beschleunigte [[Tensor]]-Analysen erstellen und zum anderen [[Neuronales Netz\|Neuronale Netze]] auf Basis eines ~~JAX~~-Systems erstellen. Dabei lassen sich bewährte Python-Bibliotheken wie [[NumPy]], [[SciPy]] und [[Cython]] nutzen. Beim [[Deep Learning]] zeichnet sich die Programmbibliothek durch viel Flexibilität und eine hohe Geschwindigkeit aus.<ref>{{Internetquelle \|autor=Alexander Neumann \|url=https://www.heise.de/developer/meldung/PyTorch-Ein-Deep-Learning-Framework-von-Facebook-3601989.html \|titel=PyTorch: Ein Deep-Learning-Framework von Facebook \|sprache=de-DE \|abruf=2018-01-26}}</ref> [[ONNX]] zum Austausch von Modellen mit anderen Programmbibliotheken wird unterstützt. TorchScript-Dokumente können durch einen [[Compiler]] in PyTorch-Modelle umgewandelt werden. TorchScript kann unabhängig von Python ausgeführt werden und ist seit der Version 1.2 in PyTorch enthalten.<ref>{{Internetquelle \|url=https://www.bigdata-insider.de/was-ist-onnx-open-neural-network-exchange-a-851510/ \|titel=Was ist ONNX (Open Neural Network Exchange)? \|sprache=de \|abruf=2019-08-30}}</ref><ref name=":0">{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-PyTorch-1-2-verbessert-Scripting-und-Export-4496208.html \|titel=Machine Learning: PyTorch 1.2 verbessert Scripting und Export \|sprache=de \|abruf=2019-08-30}}</ref>		Mit der Programmbibliothek lassen sich zum einen mit [[Grafikprozessor\|GPUs]] beschleunigte [[Tensor]]-Analysen erstellen und zum anderen [[Neuronales Netz\|Neuronale Netze]] auf Basis eines bandbasierten [[Autograd]]-Systems erstellen. Dabei lassen sich bewährte Python-Bibliotheken wie [[NumPy]], [[SciPy]] und [[Cython]] nutzen. Beim [[Deep Learning]] zeichnet sich die Programmbibliothek durch viel Flexibilität und eine hohe Geschwindigkeit aus.<ref>{{Internetquelle \|autor=Alexander Neumann \|url=https://www.heise.de/developer/meldung/PyTorch-Ein-Deep-Learning-Framework-von-Facebook-3601989.html \|titel=PyTorch: Ein Deep-Learning-Framework von Facebook \|sprache=de-DE \|abruf=2018-01-26}}</ref> [[ONNX]] zum Austausch von Modellen mit anderen Programmbibliotheken wird unterstützt. TorchScript-Dokumente können durch einen [[Compiler]] in PyTorch-Modelle umgewandelt werden. TorchScript kann unabhängig von Python ausgeführt werden und ist seit der Version 1.2 in PyTorch enthalten.<ref>{{Internetquelle \|url=https://www.bigdata-insider.de/was-ist-onnx-open-neural-network-exchange-a-851510/ \|titel=Was ist ONNX (Open Neural Network Exchange)? \|sprache=de \|abruf=2019-08-30}}</ref><ref name=":0">{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-PyTorch-1-2-verbessert-Scripting-und-Export-4496208.html \|titel=Machine Learning: PyTorch 1.2 verbessert Scripting und Export \|sprache=de \|abruf=2019-08-30}}</ref>

	Die im Oktober 2019 erschienene 1.3-Version ermöglicht die Nutzung von PyTorch auf den mobilen Plattformen [[Android (Betriebssystem)\|Android]] und [[IOS (Betriebssystem)\|iOS]] (PyTorch Mobile). Ein 8-[[Bit]]-Quantisierungsmodell soll ebenfalls das [[Softwareverteilung\|Deployment]] auf Servern und [[Edge Computing\|Edge]]-Geräten effizienter gestalten. Da die traditionelle Implementierung von Tensoren Mängel auswies, können Tensoren seit der Version 1.3 auch als ''Named Tensors'' benannt werden.<ref>{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-PyTorch-1-3-setzt-auf-Mobilgeraete-4555066.html \|titel=Machine Learning: PyTorch 1.3 setzt auf Mobilgeräte \|sprache=de \|abruf=2019-10-14}}</ref> Mit der Version 1.4 von Januar 2020 wurde [[Pruning]] für künstliche neuronale Netze und ein paralleles Training von Modellen mit [[Remote Procedure Call]] ergänzt. Des Weiteren wurde eine Anbindung zu [[Java (Programmiersprache)\|Java]] hinzugefügt.<ref>{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-PyTorch-1-4-oeffnet-sich-fuer-Java-4639227.html \|titel=Machine Learning: PyTorch 1.4 öffnet sich für Java \|sprache=de \|abruf=2020-05-18}}</ref> Seit der Version 1.5, die Mitte April 2020 erschienen ist, wird ''TorchServe'' als [[Open Source\|Open-Source]]-Server für PyTorch verwendet. Neben Facebook ist dabei auch der Cloud-Anbieter [[Amazon Web Services]] (kurz: AWS) an dem Dienst beteiligt. Ebenfalls lässt sich seit der Version eine [[C++]]-Frontend-API verwenden.<ref>{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-TorchServe-dient-PyTorch-1-5-als-neuer-Open-Source-Server-4707704.html \|titel=Machine Learning: TorchServe dient PyTorch 1.5 als neuer Open-Source-Server \|sprache=de \|abruf=2020-05-18}}</ref>		Die im Oktober 2019 erschienene 1.3-Version ermöglicht die Nutzung von PyTorch auf den mobilen Plattformen [[Android (Betriebssystem)\|Android]] und [[IOS (Betriebssystem)\|iOS]] (PyTorch Mobile). Ein 8-[[Bit]]-Quantisierungsmodell soll ebenfalls das [[Softwareverteilung\|Deployment]] auf Servern und [[Edge Computing\|Edge]]-Geräten effizienter gestalten. Da die traditionelle Implementierung von Tensoren Mängel auswies, können Tensoren seit der Version 1.3 auch als ''Named Tensors'' benannt werden.<ref>{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-PyTorch-1-3-setzt-auf-Mobilgeraete-4555066.html \|titel=Machine Learning: PyTorch 1.3 setzt auf Mobilgeräte \|sprache=de \|abruf=2019-10-14}}</ref> Mit der Version 1.4 von Januar 2020 wurde [[Pruning]] für künstliche neuronale Netze und ein paralleles Training von Modellen mit [[Remote Procedure Call]] ergänzt. Des Weiteren wurde eine Anbindung zu [[Java (Programmiersprache)\|Java]] hinzugefügt.<ref>{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-PyTorch-1-4-oeffnet-sich-fuer-Java-4639227.html \|titel=Machine Learning: PyTorch 1.4 öffnet sich für Java \|sprache=de \|abruf=2020-05-18}}</ref> Seit der Version 1.5, die Mitte April 2020 erschienen ist, wird ''TorchServe'' als [[Open Source\|Open-Source]]-Server für PyTorch verwendet. Neben Facebook ist dabei auch der Cloud-Anbieter [[Amazon Web Services]] (kurz: AWS) an dem Dienst beteiligt. Ebenfalls lässt sich seit der Version eine [[C++]]-Frontend-API verwenden.<ref>{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-TorchServe-dient-PyTorch-1-5-als-neuer-Open-Source-Server-4707704.html \|titel=Machine Learning: TorchServe dient PyTorch 1.5 als neuer Open-Source-Server \|sprache=de \|abruf=2020-05-18}}</ref>

2A01:5241:281:DF00:A29B:A734:BC61:A99D: /* Funktionen und Versionsgeschichte */ k update AutoGrad wird nicht weiter aktiv developt, JAX ist der Nachfolger

2023-09-22T16:38:43Z

Funktionen und Versionsgeschichte: k update AutoGrad wird nicht weiter aktiv developt, JAX ist der Nachfolger

← Nächstältere Version		Version vom 22. September 2023, 18:38 Uhr
Zeile 23:		Zeile 23:

	== Funktionen und Versionsgeschichte ==		== Funktionen und Versionsgeschichte ==
	Mit der Programmbibliothek lassen sich zum einen mit [[Grafikprozessor\|GPUs]] beschleunigte [[Tensor]]-Analysen erstellen und zum anderen [[Neuronales Netz\|Neuronale Netze]] auf Basis eines ~~bandbasierten [[Autograd]]~~-Systems erstellen. Dabei lassen sich bewährte Python-Bibliotheken wie [[NumPy]], [[SciPy]] und [[Cython]] nutzen. Beim [[Deep Learning]] zeichnet sich die Programmbibliothek durch viel Flexibilität und eine hohe Geschwindigkeit aus.<ref>{{Internetquelle \|autor=Alexander Neumann \|url=https://www.heise.de/developer/meldung/PyTorch-Ein-Deep-Learning-Framework-von-Facebook-3601989.html \|titel=PyTorch: Ein Deep-Learning-Framework von Facebook \|sprache=de-DE \|abruf=2018-01-26}}</ref> [[ONNX]] zum Austausch von Modellen mit anderen Programmbibliotheken wird unterstützt. TorchScript-Dokumente können durch einen [[Compiler]] in PyTorch-Modelle umgewandelt werden. TorchScript kann unabhängig von Python ausgeführt werden und ist seit der Version 1.2 in PyTorch enthalten.<ref>{{Internetquelle \|url=https://www.bigdata-insider.de/was-ist-onnx-open-neural-network-exchange-a-851510/ \|titel=Was ist ONNX (Open Neural Network Exchange)? \|sprache=de \|abruf=2019-08-30}}</ref><ref name=":0">{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-PyTorch-1-2-verbessert-Scripting-und-Export-4496208.html \|titel=Machine Learning: PyTorch 1.2 verbessert Scripting und Export \|sprache=de \|abruf=2019-08-30}}</ref>		Mit der Programmbibliothek lassen sich zum einen mit [[Grafikprozessor\|GPUs]] beschleunigte [[Tensor]]-Analysen erstellen und zum anderen [[Neuronales Netz\|Neuronale Netze]] auf Basis eines JAX-Systems erstellen. Dabei lassen sich bewährte Python-Bibliotheken wie [[NumPy]], [[SciPy]] und [[Cython]] nutzen. Beim [[Deep Learning]] zeichnet sich die Programmbibliothek durch viel Flexibilität und eine hohe Geschwindigkeit aus.<ref>{{Internetquelle \|autor=Alexander Neumann \|url=https://www.heise.de/developer/meldung/PyTorch-Ein-Deep-Learning-Framework-von-Facebook-3601989.html \|titel=PyTorch: Ein Deep-Learning-Framework von Facebook \|sprache=de-DE \|abruf=2018-01-26}}</ref> [[ONNX]] zum Austausch von Modellen mit anderen Programmbibliotheken wird unterstützt. TorchScript-Dokumente können durch einen [[Compiler]] in PyTorch-Modelle umgewandelt werden. TorchScript kann unabhängig von Python ausgeführt werden und ist seit der Version 1.2 in PyTorch enthalten.<ref>{{Internetquelle \|url=https://www.bigdata-insider.de/was-ist-onnx-open-neural-network-exchange-a-851510/ \|titel=Was ist ONNX (Open Neural Network Exchange)? \|sprache=de \|abruf=2019-08-30}}</ref><ref name=":0">{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-PyTorch-1-2-verbessert-Scripting-und-Export-4496208.html \|titel=Machine Learning: PyTorch 1.2 verbessert Scripting und Export \|sprache=de \|abruf=2019-08-30}}</ref>

	Die im Oktober 2019 erschienene 1.3-Version ermöglicht die Nutzung von PyTorch auf den mobilen Plattformen [[Android (Betriebssystem)\|Android]] und [[IOS (Betriebssystem)\|iOS]] (PyTorch Mobile). Ein 8-[[Bit]]-Quantisierungsmodell soll ebenfalls das [[Softwareverteilung\|Deployment]] auf Servern und [[Edge Computing\|Edge]]-Geräten effizienter gestalten. Da die traditionelle Implementierung von Tensoren Mängel auswies, können Tensoren seit der Version 1.3 auch als ''Named Tensors'' benannt werden.<ref>{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-PyTorch-1-3-setzt-auf-Mobilgeraete-4555066.html \|titel=Machine Learning: PyTorch 1.3 setzt auf Mobilgeräte \|sprache=de \|abruf=2019-10-14}}</ref> Mit der Version 1.4 von Januar 2020 wurde [[Pruning]] für künstliche neuronale Netze und ein paralleles Training von Modellen mit [[Remote Procedure Call]] ergänzt. Des Weiteren wurde eine Anbindung zu [[Java (Programmiersprache)\|Java]] hinzugefügt.<ref>{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-PyTorch-1-4-oeffnet-sich-fuer-Java-4639227.html \|titel=Machine Learning: PyTorch 1.4 öffnet sich für Java \|sprache=de \|abruf=2020-05-18}}</ref> Seit der Version 1.5, die Mitte April 2020 erschienen ist, wird ''TorchServe'' als [[Open Source\|Open-Source]]-Server für PyTorch verwendet. Neben Facebook ist dabei auch der Cloud-Anbieter [[Amazon Web Services]] (kurz: AWS) an dem Dienst beteiligt. Ebenfalls lässt sich seit der Version eine [[C++]]-Frontend-API verwenden.<ref>{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-TorchServe-dient-PyTorch-1-5-als-neuer-Open-Source-Server-4707704.html \|titel=Machine Learning: TorchServe dient PyTorch 1.5 als neuer Open-Source-Server \|sprache=de \|abruf=2020-05-18}}</ref>		Die im Oktober 2019 erschienene 1.3-Version ermöglicht die Nutzung von PyTorch auf den mobilen Plattformen [[Android (Betriebssystem)\|Android]] und [[IOS (Betriebssystem)\|iOS]] (PyTorch Mobile). Ein 8-[[Bit]]-Quantisierungsmodell soll ebenfalls das [[Softwareverteilung\|Deployment]] auf Servern und [[Edge Computing\|Edge]]-Geräten effizienter gestalten. Da die traditionelle Implementierung von Tensoren Mängel auswies, können Tensoren seit der Version 1.3 auch als ''Named Tensors'' benannt werden.<ref>{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-PyTorch-1-3-setzt-auf-Mobilgeraete-4555066.html \|titel=Machine Learning: PyTorch 1.3 setzt auf Mobilgeräte \|sprache=de \|abruf=2019-10-14}}</ref> Mit der Version 1.4 von Januar 2020 wurde [[Pruning]] für künstliche neuronale Netze und ein paralleles Training von Modellen mit [[Remote Procedure Call]] ergänzt. Des Weiteren wurde eine Anbindung zu [[Java (Programmiersprache)\|Java]] hinzugefügt.<ref>{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-PyTorch-1-4-oeffnet-sich-fuer-Java-4639227.html \|titel=Machine Learning: PyTorch 1.4 öffnet sich für Java \|sprache=de \|abruf=2020-05-18}}</ref> Seit der Version 1.5, die Mitte April 2020 erschienen ist, wird ''TorchServe'' als [[Open Source\|Open-Source]]-Server für PyTorch verwendet. Neben Facebook ist dabei auch der Cloud-Anbieter [[Amazon Web Services]] (kurz: AWS) an dem Dienst beteiligt. Ebenfalls lässt sich seit der Version eine [[C++]]-Frontend-API verwenden.<ref>{{Internetquelle \|autor=heise online \|url=https://www.heise.de/developer/meldung/Machine-Learning-TorchServe-dient-PyTorch-1-5-als-neuer-Open-Source-Server-4707704.html \|titel=Machine Learning: TorchServe dient PyTorch 1.5 als neuer Open-Source-Server \|sprache=de \|abruf=2020-05-18}}</ref>

Aka: Tippfehler entfernt

2023-08-07T16:50:43Z

Tippfehler entfernt

← Nächstältere Version		Version vom 7. August 2023, 18:50 Uhr
Zeile 20:		Zeile 20:
	}}		}}

	'''PyTorch''' ist eine auf [[Maschinelles Lernen]] ausgerichtete [[Open-Source]]-[[Programmbibliothek]] für die [[Programmiersprache]] [[Python (Programmiersprache)\|Python]], basierend auf der in [[Lua]] geschriebenen Bibliothek [[Torch (software)\|Torch]], die bereits seit 2002 existiert.<ref>{{Literatur \|Autor=Serdar Yegulalp \|Titel=Facebook brings GPU-powered machine learning to Python \|Sammelwerk=InfoWorld \|Datum= \|Online=https://www.infoworld.com/article/3159120/artificial-intelligence/facebook-brings-gpu-powered-machine-learning-to-python.html \|Abruf=2018-01-26}}</ref><ref>{{Literatur \|Autor=Ben Lorica \|Titel=Why AI and machine learning researchers are beginning to embrace PyTorch \|Sammelwerk=~~O'Reilly~~ Media \|Datum=2017-08-03 \|Online=https://www.oreilly.com/ideas/why-ai-and-machine-learning-researchers-are-beginning-to-embrace-pytorch \|Abruf=2018-01-26}}</ref><ref>{{Literatur \|Autor=Nikhil Ketkar \|Titel=Introduction to PyTorch \|Sammelwerk=Deep Learning with Python \|Verlag=Apress, Berkeley, CA \|Datum=2017 \|ISBN=978-1-4842-2765-7 \|Seiten=195–208 \|Online=https://link.springer.com/chapter/10.1007/978-1-4842-2766-4_12 \|Abruf=2018-01-26 \|DOI=10.1007/978-1-4842-2766-4_12}}</ref> Entwickelt wurde PyTorch von dem [[Facebook]]-Forschungsteam für [[künstliche Intelligenz]].<ref>{{Literatur \|Autor=Mo Patel \|Titel=When two trends fuse: PyTorch and recommender systems \|Sammelwerk=~~O'Reilly~~ Media \|Datum=2017-12-07 \|Online=https://www.oreilly.com/ideas/when-two-trends-fuse-pytorch-and-recommender-systems \|Abruf=2018-01-26}}</ref><ref>{{Literatur \|Autor=John Mannes \|Titel=Facebook and Microsoft collaborate to simplify conversions from PyTorch to Caffe2 \|Sammelwerk=TechCrunch \|Datum= \|Online=https://techcrunch.com/2017/09/07/facebook-and-microsoft-collaborate-to-simplify-conversions-from-pytorch-to-caffe2/ \|Abruf=2018-01-26}}</ref><ref>{{Internetquelle \|url=https://venturebeat.com/2017/11/29/tech-giants-are-using-open-source-frameworks-to-dominate-the-ai-community/ \|titel=Tech giants are using open source frameworks to dominate the AI community {{!}} VentureBeat \|sprache=en-US \|abruf=2018-01-26}}</ref> Im September 2022 wurde Pytorch mittels der neugegründeten Pytorch Foundation Teil der [[Linux Foundation]].<ref>{{Internetquelle \|url=https://pytorch.org/blog/PyTorchfoundation/ \|titel=PyTorch strengthens its governance by joining the Linux Foundation \|sprache=en \|abruf=2022-09-13}}</ref>		'''PyTorch''' ist eine auf [[Maschinelles Lernen]] ausgerichtete [[Open-Source]]-[[Programmbibliothek]] für die [[Programmiersprache]] [[Python (Programmiersprache)\|Python]], basierend auf der in [[Lua]] geschriebenen Bibliothek [[Torch (software)\|Torch]], die bereits seit 2002 existiert.<ref>{{Literatur \|Autor=Serdar Yegulalp \|Titel=Facebook brings GPU-powered machine learning to Python \|Sammelwerk=InfoWorld \|Datum= \|Online=https://www.infoworld.com/article/3159120/artificial-intelligence/facebook-brings-gpu-powered-machine-learning-to-python.html \|Abruf=2018-01-26}}</ref><ref>{{Literatur \|Autor=Ben Lorica \|Titel=Why AI and machine learning researchers are beginning to embrace PyTorch \|Sammelwerk=O’Reilly Media \|Datum=2017-08-03 \|Online=https://www.oreilly.com/ideas/why-ai-and-machine-learning-researchers-are-beginning-to-embrace-pytorch \|Abruf=2018-01-26}}</ref><ref>{{Literatur \|Autor=Nikhil Ketkar \|Titel=Introduction to PyTorch \|Sammelwerk=Deep Learning with Python \|Verlag=Apress, Berkeley, CA \|Datum=2017 \|ISBN=978-1-4842-2765-7 \|Seiten=195–208 \|Online=https://link.springer.com/chapter/10.1007/978-1-4842-2766-4_12 \|Abruf=2018-01-26 \|DOI=10.1007/978-1-4842-2766-4_12}}</ref> Entwickelt wurde PyTorch von dem [[Facebook]]-Forschungsteam für [[künstliche Intelligenz]].<ref>{{Literatur \|Autor=Mo Patel \|Titel=When two trends fuse: PyTorch and recommender systems \|Sammelwerk=O’Reilly Media \|Datum=2017-12-07 \|Online=https://www.oreilly.com/ideas/when-two-trends-fuse-pytorch-and-recommender-systems \|Abruf=2018-01-26}}</ref><ref>{{Literatur \|Autor=John Mannes \|Titel=Facebook and Microsoft collaborate to simplify conversions from PyTorch to Caffe2 \|Sammelwerk=TechCrunch \|Datum= \|Online=https://techcrunch.com/2017/09/07/facebook-and-microsoft-collaborate-to-simplify-conversions-from-pytorch-to-caffe2/ \|Abruf=2018-01-26}}</ref><ref>{{Internetquelle \|url=https://venturebeat.com/2017/11/29/tech-giants-are-using-open-source-frameworks-to-dominate-the-ai-community/ \|titel=Tech giants are using open source frameworks to dominate the AI community {{!}} VentureBeat \|sprache=en-US \|abruf=2018-01-26}}</ref> Im September 2022 wurde Pytorch mittels der neugegründeten Pytorch Foundation Teil der [[Linux Foundation]].<ref>{{Internetquelle \|url=https://pytorch.org/blog/PyTorchfoundation/ \|titel=PyTorch strengthens its governance by joining the Linux Foundation \|sprache=en \|abruf=2022-09-13}}</ref>

	== Funktionen und Versionsgeschichte ==		== Funktionen und Versionsgeschichte ==
Zeile 28:		Zeile 28:

	== Bibliotheken und Plattformen ==		== Bibliotheken und Plattformen ==
	PyTorch setzt sich aus mehreren [[Bibliothek (Programmierung)\|Bibliotheken]] und Plattformen zusammen, die für [[Maschinelles Lernen]] eingesetzt werden.<ref>{{cite book \|title=Deep Learning for Coders with fastai and PyTorch \|url=https://python.engineering/deep-learning-for-coders-with-fastai-and-pytorch/ \|author=Jeremy Howard, Sylvain Gugger \|isbn=978-1-4920-4552-6 \|publisher=~~O'Reilly~~ \|date=2020}}</ref> Nachfolgend eine Liste der einzelnen Elemente von PyTorch mit einer Übersicht der wichtigsten Funktionen:<ref>{{Internetquelle \|url=https://www.pytorch.org/ \|titel=PyTorch \|sprache=en \|abruf=2019-08-30 \|archiv-url=https://web.archive.org/web/20200120225810/https://pytorch.org/ \|archiv-datum=2020-01-20 \|offline=ja \|archiv-bot=2022-12-30 05:40:31 InternetArchiveBot }}</ref>		PyTorch setzt sich aus mehreren [[Bibliothek (Programmierung)\|Bibliotheken]] und Plattformen zusammen, die für [[Maschinelles Lernen]] eingesetzt werden.<ref>{{cite book \|title=Deep Learning for Coders with fastai and PyTorch \|url=https://python.engineering/deep-learning-for-coders-with-fastai-and-pytorch/ \|author=Jeremy Howard, Sylvain Gugger \|isbn=978-1-4920-4552-6 \|publisher=O’Reilly \|date=2020}}</ref> Nachfolgend eine Liste der einzelnen Elemente von PyTorch mit einer Übersicht der wichtigsten Funktionen:<ref>{{Internetquelle \|url=https://www.pytorch.org/ \|titel=PyTorch \|sprache=en \|abruf=2019-08-30 \|archiv-url=https://web.archive.org/web/20200120225810/https://pytorch.org/ \|archiv-datum=2020-01-20 \|offline=ja \|archiv-bot=2022-12-30 05:40:31 InternetArchiveBot }}</ref>
	{\| class="wikitable"		{\| class="wikitable"
	\|+		\|+

Aka: Tippfehler entfernt, ISBN-Format

2023-08-07T10:40:17Z

Tippfehler entfernt, ISBN-Format

← Nächstältere Version		Version vom 7. August 2023, 12:40 Uhr
Zeile 145:		Zeile 145:
	=== Deutsch ===		=== Deutsch ===

	* Tariq Rashid: Neuronale Netze selbst programmieren: Ein verständlicher Einstieg mit Python, ~~O'Reilly~~, 2017, ISBN 978-3-96010-103-1		* Tariq Rashid: Neuronale Netze selbst programmieren: Ein verständlicher Einstieg mit Python, O’Reilly, 2017, ISBN 978-3-96010-103-1

	* Delip Rao, Brian McMahan: Natural Language Processing mit PyTorch: Intelligente Sprachanwendungen mit Deep Learning erstellen, Dpunkt.Verlag, 2019, ISBN 978-3-96009-118-9		* Delip Rao, Brian McMahan: Natural Language Processing mit PyTorch: Intelligente Sprachanwendungen mit Deep Learning erstellen, Dpunkt.Verlag, 2019, ISBN 978-3-96009-118-9
	* Sebastian Raschka: Machine Learning mit Python: das Praxis-Handbuch für Data Science, Predictive Analytics und Deep Learning, mitp Verlags, 2017, ISBN 978-3-95845-423-1		* Sebastian Raschka: Machine Learning mit Python: das Praxis-Handbuch für Data Science, Predictive Analytics und Deep Learning, mitp Verlags, 2017, ISBN 978-3-95845-423-1
	* Ramon Wartala: Praxiseinstieg Deep Learning: Mit Python, Caffe, TensorFlow und Spark eigene Deep-Learning-Anwendungen erstellen, ~~O'Reilly~~, 2018, ISBN 978-3-96010-157-4		* Ramon Wartala: Praxiseinstieg Deep Learning: Mit Python, Caffe, TensorFlow und Spark eigene Deep-Learning-Anwendungen erstellen, O’Reilly, 2018, ISBN 978-3-96010-157-4

	=== Englisch ===		=== Englisch ===

	* Chitra Vasudevan: Concepts and Programming in PyTorch, Chitra Vasudevan, 2018, ISBN 978-93-~~8817605~~-7		* Chitra Vasudevan: Concepts and Programming in PyTorch, Chitra Vasudevan, 2018, ISBN 978-93-88176-05-7
	* Sherin Thomas, Sudhanshu Passi: PyTorch Deep Learning Hands-On: Build CNNs, RNNs, GANs, reinforcement learning, and more, quickly and easily, Packt Publishing Ltd, 2019, ISBN 978-1-78883-343-1		* Sherin Thomas, Sudhanshu Passi: PyTorch Deep Learning Hands-On: Build CNNs, RNNs, GANs, reinforcement learning, and more, quickly and easily, Packt Publishing Ltd, 2019, ISBN 978-1-78883-343-1
	* Pradeepta Mishra: PyTorch Recipes: A Problem-Solution Approach, Apress, 2019, ISBN 978-1-4842-4258-2		* Pradeepta Mishra: PyTorch Recipes: A Problem-Solution Approach, Apress, 2019, ISBN 978-1-4842-4258-2
	* Samuel Burns: Python Deep Learning: Develop Your First Neural Network in Python Using Tensorflow, Keras, and Pytorch, Independently Published, 2019, ISBN 978-1-09-~~256222~~-5		* Samuel Burns: Python Deep Learning: Develop Your First Neural Network in Python Using Tensorflow, Keras, and Pytorch, Independently Published, 2019, ISBN 978-1-0925-6222-5
	* Vishnu Subramanian: Deep Learning with PyTorch: A practical approach to building neural network models using PyTorch, Packt Publishing, 2018, ISBN 978-1-78862-607-1		* Vishnu Subramanian: Deep Learning with PyTorch: A practical approach to building neural network models using PyTorch, Packt Publishing, 2018, ISBN 978-1-78862-607-1
	* Hyatt Saleh: Applied Deep Learning with PyTorch: Demystify neural networks with PyTorch, Packt Publishing, 2019, ISBN 978-1-78980-705-9		* Hyatt Saleh: Applied Deep Learning with PyTorch: Demystify neural networks with PyTorch, Packt Publishing, 2019, ISBN 978-1-78980-705-9

Invisigoth67: form

2023-07-19T10:04:39Z

form

← Nächstältere Version		Version vom 19. Juli 2023, 12:04 Uhr
Zeile 155:		Zeile 155:
	* Chitra Vasudevan: Concepts and Programming in PyTorch, Chitra Vasudevan, 2018, ISBN 978-93-8817605-7		* Chitra Vasudevan: Concepts and Programming in PyTorch, Chitra Vasudevan, 2018, ISBN 978-93-8817605-7
	* Sherin Thomas, Sudhanshu Passi: PyTorch Deep Learning Hands-On: Build CNNs, RNNs, GANs, reinforcement learning, and more, quickly and easily, Packt Publishing Ltd, 2019, ISBN 978-1-78883-343-1		* Sherin Thomas, Sudhanshu Passi: PyTorch Deep Learning Hands-On: Build CNNs, RNNs, GANs, reinforcement learning, and more, quickly and easily, Packt Publishing Ltd, 2019, ISBN 978-1-78883-343-1
	* Pradeepta Mishra: PyTorch Recipes: A Problem-Solution Approach, Apress, 2019 ISBN 978-1-4842-4258-2		* Pradeepta Mishra: PyTorch Recipes: A Problem-Solution Approach, Apress, 2019, ISBN 978-1-4842-4258-2
	* Samuel Burns: Python Deep Learning: Develop Your First Neural Network in Python Using Tensorflow, Keras, and Pytorch, Independently Published, 2019, ISBN 978-1-09-256222-5		* Samuel Burns: Python Deep Learning: Develop Your First Neural Network in Python Using Tensorflow, Keras, and Pytorch, Independently Published, 2019, ISBN 978-1-09-256222-5
	* Vishnu Subramanian: Deep Learning with PyTorch: A practical approach to building neural network models using PyTorch, Packt Publishing, 2018, ISBN 978-1-78862-607-1		* Vishnu Subramanian: Deep Learning with PyTorch: A practical approach to building neural network models using PyTorch, Packt Publishing, 2018, ISBN 978-1-78862-607-1