Lección 4 del curso Pytorch Nivel Básico.
En la lección anterior vimos todos los detalles sobre los Tensores en PyTorch, que son esencialmente arreglos (generalmente numéricos) que se usan para almacenar y procesar absolutamente toda la información asociada al desarrollo de un modelo de Deep Learning.
En esta lección veremos cómo usar las clases «Dataset» y «Dataloader» de PyTorch para realizar la carga de datos, es decir para tomarlos desde su fuente original y posteriormente llevarlos a un modelo de Deep Learning:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Así que con el uso de estas clases «Dataset» y «Dataloader» podemos cargar cualquier tipo de dato (imágenes, texto, datos tabulares, etc.) en PyTorch, lo que nos permite llevar los datos desde su fuente original a un modelo de Deep Learning, bien sea para entrenarlo o para generar predicciones.
Y esta lógica es simple: en primer lugar, creamos una clase de Python hija de la clase «Dataset» la cual se encargará de extraer uno a uno los datos (de entrenamiento, validación o prueba). Y posteriormente usamos la clase «Dataloader» para «mini-batches» (o pequeños lotes) de datos que se presentarán posteriormente al modelo de Deep Learning que estemos desarrollando.
Así que teniendo claro este procedimiento para realizar la carga de datos en PyTorch, ya estamos listos para ver cómo implementar nuestra primera Red Neuronal haciendo uso de esta librería.
Entonces, en la próxima lección veremos cómo usar PyTorch para crear, entrenar, validar y poner a prueba una Red Neuronal para clasificar datos.
Todas las lecciones del curso PyTorch Nivel Básico