PyTorch پر اردو اور ہندی میں | پائیتارچ کے ساتھ گہری یادگاری | پائیتارچ قسط 01

PyTorch एक उच्च-स्तरीय ऑपन-सोर्स मशीन लर्निंग प्लेटफ़ॉर्म है जो वैज्ञानिक और गहरे लर्निंग कार्यों के लिए डिज़ाइन किया गया है। यह एक न्यायिक एवं ज्ञानवर्धक दृष्टिकोण देता है जो पाइपलाइन मॉडल की तयारी और अनुकूलन को सुदृढ़ करने के लिए उपयुक्त है। PyTorch का उपयोग उच्च-स्तरीय गहरे लर्निंग कार्यों जैसे कि विशेषित कार्यों, सेमांटिक पाठों, गहरे नंबरिक अवोगेंरेस से करने के लिए किया जा सकता है।

PyTorch को Python और C++ में बनाया गया है और इसका सरल और स्वचालित डिज़ाइन बनाए रखने के लिए एक पेठ लेयर अनुकूलन स्थापित है। यह एक उच्च-स्तरीय उत्कृष्टता देने वाला ग्राफ़ डेटा स्ट्रक्चर और सहज परिकलन नेटवर्क डिज़ाइन शामिल करता है। हालांकि PyTorch का उपयोग केवल मशीन लर्निंग और इसके सम्बंधित कार्यों के लिए होता है।

इस ट्यूटोरियल में, हम PyTorch के बेहद महत्वपूर्ण पहले एपिसोड पर ध्यान केंद्रित करेंगे, जिसमें हम PyTorch की शुरुआती विशेषताओं और उनके उपयोग के बारे में विस्तृत जानकारी प्रदान करेंगे।

यदि आप डीप लर्निंग में रुचि रखते हैं और PyTorch को सीखना चाहते हैं, तो यह ट्यूटोरियल आपके लिए उपयुक्त हो सकता है।

आइए पहला एपिसोड शुरू करते हैं।

1. PyTorch के सुरक्षित एपिसोड में शुरू करने के लिए, सबसे पहले हमें PyTorch का इंस्टॉलेशन करना होगा। PyTorch को इंस्टॉल करने के लिए, आपको यह निर्देशानुसार करना होगा:

pip install torch torchvision

इस से आपके सिस्टम में PyTorch और torchvision इंस्टॉल हो जाएगा।

1. इंस्टॉलेशन संपन्न होने के बाद, आपको PyTorch का उपयोग कैसे करना है उसकी जानकारी के लिए एक सादे से स्क्रिप्ट बनाएं। निम्नलिखित स्क्रिप्ट का उदाहरण देखें:

import torch

# एक रैंडम प्रलेयर तैयार करें
x = torch.rand(5, 3)
print(x)

इस स्क्रिप्ट में, हमने torch मॉड्यूल को इंपोर्ट किया है और एक रैंडम प्रलेयर तैयार किया है। इसके बाद, हमने उसका दृश्य दिखाने के लिए print() फ़ंक्शन का उपयोग किया है।

1. एक और महत्वपूर्ण चरण है PyTorch में डेटा को लोड करना। डेटा लोडिंग PyTorch में एक उच्च-स्तरीय प्रक्रिया है जिसमें आपको डेटा सेट को प्यारा करने के लिए डेटा लोडर का उपयोग करने की आवश्यकता है।

import torch
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

# डेटासेट को लोड करें
train_data = datasets.MNIST(root='data', train=True, download=True, transform=transforms.ToTensor())
test_data = datasets.MNIST(root='data', train=False, download=True, transform=transforms.ToTensor())

# डेटालोडर तैयार करें
train_loader = DataLoader(train_data, batch_size=64, shuffle=True)
test_loader = DataLoader(test_data, batch_size=64, shuffle=False)

इस स्क्रिप्ट में, हमने MNIST डेटासेट को डाउनलोड किया है और उसे टेन्सर में रूपांतरित किया है। उसके बाद, हमने डेटालोडर तैयार किया है जो हमें ट्रेनिंग और टेस्टिंग के लिए बैच डेटा प्रदान करेगा।

1. अंत में, हमने PyTorch मॉडल तैयार करने की प्रक्रिया पर जानकारी प्राप्त की। एक मॉडल तैयार करने के लिए, आपको एक कस्टम मॉडल तय करनी होगी और उसे डेटा पर ट्रेन करनी होगी।

import torch
import torch.nn as nn

# कस्टम मॉडल तय करें
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 10)

    def forward(self, x):
        x = x.view(x.size(0), -1)
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# मॉडल तैयार करें
model = SimpleNN()

# लॉस फ़ंक्शन और ऑप्टिमाइजर चुनें
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# मॉडल को ट्रेन करें
for epoch in range(5):
    for images, labels in train_loader:
        optimizer.zero_grad()
        output = model(images)
        loss = criterion(output, labels)
        loss.backward()
        optimizer.step()

इस स्क्रिप्ट में, हमने एक सरल न्यूरल नेटवर्क मॉडल तय किया है और उसे ट्रेन करने के लिए आवश्यक ऑप्टिमाइजर और लॉस फ़ंक्शन तय किया है। यहां हमने एक ट्रेनिंग लूप उपयोग किया है जिसमें हर एपॉक के लिए डेटा लोडर से डेटा लोड कर रहे हैं और मॉडल को ट्रेन कर रहे हैं।

इस तरह, आप PyTorch में डीप लर्निंग के लिए उपकरण तैयार कर सकते हैं और मॉडल्स को ट्रेन कर सकते हैं। PyTorch के और भागों को सीखने के लिए हमारे अगले एपिसोड का इंतजार करें।

धन्यवाद।

(Note: This tutorial is intended for educational purposes only and does not replace professional training or guidance in deep learning with PyTorch.)