PyTorchの特徴とインストール方法

広告メディア事業部

2020.01.20

IT技術

PyTorchとは

PyTorch（パイトーチ）とは、Pythonの機械学習ライブラリの一つで、現在最もアツいフレームワークです。

前身は、Lua言語で提供されていた「機械学習ライブラリTorch（トーチ）」です。

そのPython版が PyTorch になります。

制作しているのは、かの有名な Facebook で、日本で開発されているChainer(チェイナー)に似ていることもしばしば取り上げられています。

PyTorchの特徴

特徴としては、その扱いやすさにあります。

NumPy の配列を操作するようにデータを扱うことができ、さらにネットワークの構築は Keras のように、初心者にもコーディングしやすい・理解しやすい仕様になっていることが特徴です。

さらに最近、Chainer を開発していた Preferred Networks社は、PyTorch に順次切り替えると発表したこともあり、さらに今後注目を集めることでしょう。

インストールの前に、多層パーセプトロンのおさらい

※インストール目的で来た人は、こちらの章は飛ばしてください。

インストール作業の前に・・・

PyTorch を使うということは「機械学習」目的の人がほとんどだと思います。

ということで、次回より【Pytorch入門】として連載を初めていきます。

そして、まずは、簡単な多層パーセプトロンから実装してみたいと思っています。

そのため、「多層パーセプトロン」について簡単におさらいしてみたいと思います。

多層パーセプトロン (MLP: Multi-Layer Perceptron)

pytorch_mlp_mnist

多層パーセプトロン(通称MLP)とは、複数の形式ニューロンからなる層を複数用意した、ニューラルネットワークの最も単純な形です。

畳み込みニューラルネットワークなどと比べると、性能は劣る場合が多いです。

しかし、ニューラルネットワークの基本形であり、様々なデータに対応できるので、一度実装しておいて損はないはずです！

今回は、手書き数字(MNIST)データセットを学習させていきますが、学習法は最もメジャーな誤差逆伝播学習法(BP: Backpropagation)です。

この辺りの記事は、弊社ブログでも解説しているので是非ご一読ください！

ブログ記事

2019.05.14【徹底解説】ニューラルネットワークって一体なに？【人工知能】人工知能とニューラルネットワークの違い近年、至る分野で注目を浴びている「人工知能」ですが、そもそもどういった仕組みなの...

2019.05.30多層パーセプトロンを実装してみよう！【機械学習】多層パーセプトロンとは？今回は、現在の機械学習の基盤となっている「多層パーセプトロン」を実装します。また、それと並行し...

2019.06.06機械学習の要「誤差逆伝播学習法」を解説・実装してみる！「誤差逆伝播学習法」とは？誤差逆伝播学習法(BP: Backpropagation)とは、ニューラルネットワークの学習...

PyTorchのインストール

それでは、お待ちかねの環境構築をしていきましょう！

インストール

pipで環境を管理していれば、

1$ pip install torch torch vision

でインストール可能です！

あっという間ですね（笑）

このとき、データセットなどを扱うためのtorchvisionのインストールも忘れずに！

ただ、Anacondaなど、そのほかの環境で管理している人もいると思います。

その際は、以下の公式ページから、自分の環境に適したインストール方法が簡単にわかりますので、ご覧ください。

Pytorch公式ページ
https://pytorch.org/get-started/locally/

動作確認

念のため、動作確認をしてみましょう。

ついでに、PyTorchでのデータ（Tensor: テンソルまたはテンサーという型）の扱い方も見てみましょう！

ここで紹介するテンソル型の扱い以外にも、たくさんの関数が用意されているので気になった方は、是非調べて遊んでみてください。

1$ python
2>>> import torch  # ここでインポートエラーにならなければOK
3>>> torch.__version__
4'1.3.1'
5>>> x = torch.tensor([1, 2, 3])  # リストを渡してtensorを生成
6>>> x
7tensor([1, 2, 3])
8>>> y = x + 1  # tensor型に定数を足す
9>>> y
10tensor([2, 3, 4])
11>>> z = x * 3  # tensor型に定数をかける
12>>> z
13tensor([3, 6, 9])
14>>> y + z  # tensor型同士の足し算
15tensor([ 5,  9, 13])
16>>> a = [[[1, 2, 3], [4, 5, 6]],[[7, 8, 9], [10, 11, 12]]]  # 多次元配列
17>>> torch.tensor(a)
18tensor([[[ 1,  2,  3],
19         [ 4,  5,  6]],
20
21        [[ 7,  8,  9],
22         [10, 11, 12]]])
23>>> z.numpy()  # numpyの配列に変換も可能
24array([3, 6, 9])
25>>> torch.randn(2, 3, 4)  # 乱数で初期化したtensorを生成
26tensor([[[ 1.2625,  0.6356, -3.0832, -1.1534],
27         [-0.9279,  1.2728, -0.1481,  0.1624],
28         [-1.2703, -1.4894, -1.3540, -2.0921]],
29
30        [[ 0.7122, -0.0086, -1.3593,  1.3659],
31         [-0.5189, -2.1019, -0.1081,  0.9969],
32         [ 0.3539, -2.2619,  0.6708, -1.3612]]])
33>>> torch.eye(5, 5)  # 単位行列
34tensor([[1., 0., 0., 0., 0.],
35        [0., 1., 0., 0., 0.],
36        [0., 0., 1., 0., 0.],
37        [0., 0., 0., 1., 0.],
38        [0., 0., 0., 0., 1.]])