Trải nghiệm khi dùng PyTorch
Bạn vào trang pytorch.org, chọn hệ điều hành, cách cài và loại card đồ hoạ, trang sẽ đưa ra đúng một dòng lệnh để dán vào Terminal. Cài xong, bạn mở Python và thử tạo vài tensor, nhân ma trận, rồi chuyển phép tính sang card đồ hoạ để thấy sự khác biệt.
PyTorch chạy câu lệnh nào là có kết quả ngay, không phải dựng sẵn cả sơ đồ tính toán rồi mới chạy. Nhờ vậy khi gặp lỗi, thông báo chỉ thẳng đến dòng code của bạn, và bạn có thể dùng debugger như với code Python bình thường. Đây là lý do nhiều người thấy nó dễ học.
Từ đó bạn đi tiếp theo các bài hướng dẫn chính thức: tải dữ liệu, dựng mô hình, huấn luyện và lưu lại. Khi cần mô hình có sẵn, bạn gần như chắc chắn sẽ gặp PyTorch ẩn bên dưới các thư viện khác.
Tính năng nổi bật
Tensor chạy trên GPU như NumPy
Có thể thay NumPy cho các tính toán số lớn và đẩy sang card đồ hoạ để tăng tốc đáng kể.
Tự động tính đạo hàm
Hệ thống autograd ghi lại các phép tính và tự suy ra đạo hàm, giúp bạn không phải tính tay khi huấn luyện mạng nơ-ron.
Mạng động, linh hoạt
Cấu trúc mạng có thể thay đổi ngay khi chạy, rất tiện cho thử nghiệm và nghiên cứu.
Thiết kế sát Python
Dùng chung với NumPy, SciPy và viết lớp mạng mới bằng Python thuần mà không cần học một ngôn ngữ khác.
Nhiều lựa chọn phần cứng
Hỗ trợ CUDA của NVIDIA, ROCm của AMD và GPU Intel; xem bảng chọn trên trang chính thức để lấy lệnh đúng.
Hệ sinh thái lớn
Có kho ví dụ code chính thức, tutorials, và là nền cho phần lớn thư viện AI mã nguồn mở hiện nay.
Tận dụng PyTorch vào việc gì?
Sinh viên, người tự học AI
Học deep learning từ nền tảng
Làm theo các bài Learn the Basics trên pytorch.org để hiểu tensor, huấn luyện và đánh giá mô hình trước khi dùng thư viện cấp cao.
Lập trình viên, nhóm sản phẩm
Tự huấn luyện mô hình nhỏ cho dữ liệu riêng
Huấn luyện mô hình phân loại ảnh sản phẩm hay dự đoán từ dữ liệu bảng bằng GPU trên máy hoặc trên dịch vụ đám mây.
Người làm nội dung có biết Python, kỹ sư
Chạy và chỉnh sửa mô hình AI mã nguồn mở
Hiểu và sửa các dự án như mô hình tạo ảnh, nhận dạng giọng nói vì chúng đều dùng PyTorch.
Nghiên cứu sinh, nhà khoa học dữ liệu
Nghiên cứu và thử ý tưởng mới
Tính linh hoạt giúp dựng nhanh các cấu trúc mạng mới và thử nghiệm, rồi cải tiến theo kết quả.
Cần chuẩn bị gì?
- Python và pip (hoặc conda) đã cài; nên dùng môi trường ảo.
- Card đồ hoạ NVIDIA (CUDA), AMD (ROCm) hoặc Intel là tuỳ chọn nhưng giúp huấn luyện nhanh hơn rất nhiều; không có GPU vẫn dùng được bằng CPU.
- Phiên bản PyTorch phải khớp với phiên bản CUDA và driver; trang chọn lệnh trên pytorch.org sẽ cho đúng bản.
- Ổ cứng trống vài GB cho gói cài, nhiều hơn nếu dùng bản có CUDA.
Hướng dẫn cài đặt chi tiết
Cài trên pip hoặc conda (khuyên dùng)
Tạo môi trường ảo cho riêng dự án để khỏi lẫn với thư viện khác. Trên Windows PowerShell, kích hoạt bằng .venv\Scripts\Activate.ps1; trên Linux/macOS dùng lệnh source.
python -m venv .venv source .venv/bin/activateREADME không in sẵn lệnh cài mà trỏ sang trang chính thức vì lệnh thay đổi theo hệ điều hành và card đồ hoạ. Mở trang dưới đây.
https://pytorch.org/get-started/locally/Chọn lần lượt phiên bản PyTorch (Stable), hệ điều hành, cách cài (Pip hoặc Conda), ngôn ngữ Python và nền tảng tính toán (CPU, CUDA hoặc ROCm). Trang sẽ hiện ra một dòng lệnh duy nhất.
Dán nguyên lệnh đó vào Terminal đang kích hoạt môi trường ảo. Đừng tự đoán số phiên bản CUDA; muốn cập nhật sau này thì quay lại trang chọn lệnh để lấy lệnh mới.
Kiểm tra bằng đoạn Python ở phần Dùng thử lần đầu bên dưới; nếu máy có card NVIDIA mà torch.cuda.is_available() trả về False, kiểm tra driver và chọn đúng bản CUDA.
Cài trên Docker
README có ảnh dựng sẵn trên Docker Hub (cần Docker 23.0 trở lên). Lệnh dưới chạy một container có truy cập mọi GPU, xoá container khi thoát. Cờ --ipc=host (hoặc --shm-size) tăng bộ nhớ chia sẻ, cần khi nạp dữ liệu đa tiến trình.
docker run --gpus all --rm -ti --ipc=host pytorch/pytorch:latestMuốn tự dựng ảnh thì làm theo mục Docker Image trong README của dự án.
https://github.com/pytorch/pytorch#docker-image
Cài trên Từ mã nguồn
Chỉ dành cho người cần tuỳ chỉnh hoặc đóng góp mã. README yêu cầu Python 3.11 trở lên, trình biên dịch hỗ trợ C++20 (gcc 11.3.0 trở lên trên Linux), Visual Studio hoặc Build Tools trên Windows, ít nhất 10 GB ổ trống và 30 đến 60 phút cho lần build đầu. Người mới không nên bắt đầu từ đây.
https://github.com/pytorch/pytorch#from-source
Dùng thử lần đầu
Mở Python và kiểm tra thư viện đã cài, xem có thấy card đồ hoạ không.
import torch print(torch.__version__) print(torch.cuda.is_available())Tạo hai ma trận ngẫu nhiên và nhân chúng với nhau.
a = torch.rand(3, 3) b = torch.rand(3, 3) print(a @ b)Nếu có GPU, chuyển phép tính sang card đồ hoạ.
if torch.cuda.is_available(): a = a.to('cuda') b = b.to('cuda') print(a @ b)Mở bài Learn the Basics trên pytorch.org/tutorials và làm lần lượt để huấn luyện mô hình đầu tiên.
Mẹo dùng hay
- Luôn bắt đầu từ trang pytorch.org/get-started/locally để lấy lệnh cài; dán lệnh cũ từ bài viết khác hay gây lỗi không khớp CUDA.
- Dùng Google Colab nếu máy bạn không có GPU và chỉ muốn học.
- Trên Windows, README của các dự án khác thường yêu cầu bạn cài PyTorch bản GPU thủ công; đừng chỉ chạy pip install torch rồi tưởng đã dùng được card đồ hoạ.
Lưu ý và hạn chế
- Không có giao diện đồ hoạ; bạn cần viết code Python.
- Gói cài có CUDA khá nặng (vài GB); và chọn nhầm phiên bản CUDA là nguyên nhân phổ biến gây lỗi.
- Phiên bản mới của PyTorch có thể đòi hỏi Python mới hơn, nên khi dự án cũ không chạy hãy kiểm tra lại phiên bản.
Câu hỏi thường gặp
PyTorch có miễn phí không?
Có. Giấy phép dạng BSD, cho phép dùng cả trong sản phẩm thương mại; xem file LICENSE trong repo để biết chi tiết.
Máy không có card đồ hoạ có học PyTorch được không?
Được. Bạn cài bản CPU và làm các bài tập nhỏ; khi cần sức mạnh hơn có thể dùng Colab hoặc thuê GPU trên mạng.
PyTorch khác TensorFlow thế nào?
Cả hai đều dùng để huấn luyện mạng nơ-ron. PyTorch chạy theo kiểu viết đến đâu chạy đến đó nên dễ gỡ lỗi, và rất phổ biến trong nghiên cứu cùng các dự án AI mã nguồn mở mới.
Tải mã nguồn về máy
Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.
git clone https://github.com/pytorch/pytorch.gitRepo tương tự nên xem
TensorFlow
tensorflow / tensorflow
Nền tảng học máy của Google để xây, huấn luyện và triển khai mô hình AI bằng Python
Hugging Face Transformers
huggingface / transformers
Thư viện Python để tải và chạy hàng triệu mô hình AI từ Hugging Face chỉ với vài dòng code
scikit-learn
scikit-learn / scikit-learn
Thư viện học máy cổ điển bằng Python: phân loại, dự đoán, gom nhóm dữ liệu bảng rất dễ dùng