PyTorch para redes neuronales desde cero

Si estás dando tus primeros pasos en deep learning y te preguntas cómo empezar a trabajar con PyTorch, esta sesión es para ti.

PyTorch se ha convertido en una de las librerías más populares para el desarrollo de modelos de inteligencia artificial gracias a su sencillez, flexibilidad y soporte para entrenamiento en GPU.

En esta sesión introductoria de 1 hora exploramos los fundamentos que necesitas dominar antes de crear tus propios modelos de Machine Learning con PyTorch.

¿Por qué empezar con PyTorch?

A diferencia de otras librerías, PyTorch está pensado para aprender rápido:

• Sintaxis clara y pythonic, muy parecida a NumPy.
• Soporte nativo para GPU con CUDA, lo que permite entrenar modelos complejos de manera eficiente.
• Amplia comunidad y recursos de aprendizaje, lo que hace más fácil resolver dudas y avanzar.

De la regresión logística a las redes neuronales

Antes de construir redes profundas, conviene entender lo básico: la regresión logística.

Aunque parezca un modelo simple, es la pieza clave que sirve de base para arquitecturas modernas como los transformers o los modelos de lenguaje.

Sí, ChatGPT también.

Durante la sesión mostramos con ejemplos cómo:

• Una neurona se puede entender como una combinación lineal de entradas + función de activación.
• Las redes neuronales no son más que la repetición de este mismo patrón en varias capas.
• Con la analogía de unas cookies 🍪, comprenderás (¡al fin!) de manera intuitiva cómo funciona una red neuronal.

Tensores: el corazón de PyTorch

Todo en deep learning son operaciones con vectores y matrices. PyTorch utiliza tensores como unidad básica de cálculo.

En la sesión aprenderás:

• Qué es un tensor y cómo se diferencia de un número, vector o matriz.
• Cómo crear y manipular tensores en PyTorch.
• Qué significan las dimensiones (shape) y por qué son clave para evitar errores en el entrenamiento.

Construcción de datasets en PyTorch

Para entrenar redes neuronales necesitamos datasets organizados. Veremos cómo:

• Convertir datos (CSV, imágenes, vídeos) en tensores.
• Usar la clase Dataset para crear datasets personalizados.
• Cargar datos en lotes (DataLoader) para entrenamientos más eficientes.

Definiendo y entrenando una red neuronal con PyTorch

El siguiente paso es construir y entrenar tu primera red en PyTorch:

• Definir la arquitectura con torch.nn.Sequential.
• Especificar capas ocultas, funciones de activación y salidas.
• Configurar el optimizador (descenso de gradiente) y la función de pérdida.
• Ejecutar el bucle de entrenamiento y ver cómo el modelo reduce el error en cada epoch.

Entrenamiento en GPU: de Google Colab a la nube

Una de las ventajas de PyTorch es lo sencillo que resulta pasar de CPU a GPU. En la sesión aprenderás:

• Cómo activar el uso de GPU en Google Colab.
• Qué necesitas para entrenar en tu propio equipo con NVIDIA CUDA.
• Opciones de despliegue en la nube para proyectos más avanzados.

¿Quieres ver todo esto en acción?

Este artículo es solo un adelanto de lo que cubrimos en la sesión completa de PyTorch 101, donde además:

• Ejecutamos ejemplos prácticos en Google Colab.
• Revisamos un repositorio en Docker con todo el entorno configurado.
• Entrenamos paso a paso un modelo sencillo y analizamos sus pesos.

🎥 Si quieres aprender PyTorch desde cero, con ejemplos claros y aplicados, no te pierdas la sesión completa, la encontrarás a continuación.