pytorch

gyak1/gyak1.md

@@ -14,9 +14,6 @@ Használatkor a hagyományos python-os interpreter mintájára működik, azaz t
 print('Hello Jupyter Notebook')
 print('Hello Jupyter Notebook')
 ```
 ```
 
 
-    Hello Jupyter Notebook
-
-
 
 
 ```python
 ```python
 a = 10
 a = 10
@@ -27,9 +24,6 @@ a = 10
 print('a: ', a)
 print('a: ', a)
 ```
 ```
 
 
-    a:  10
-
-
 ## Magic
 ## Magic
 Van lehetőségünk további beépített parancsok használatára, melyeket most nem részletezek, néhány példát szeretnék mutatni: 
 Van lehetőségünk további beépített parancsok használatára, melyeket most nem részletezek, néhány példát szeretnék mutatni: 
 
 
@@ -39,40 +33,17 @@ lsmagic
 ```
 ```
 
 
 
 
-
-
-    Available line magics:
-    %alias  %alias_magic  %autoawait  %autocall  %automagic  %autosave  %bookmark  %cat  %cd  %clear  %colors  %conda  %config  %connect_info  %cp  %debug  %dhist  %dirs  %doctest_mode  %ed  %edit  %env  %gui  %hist  %history  %killbgscripts  %ldir  %less  %lf  %lk  %ll  %load  %load_ext  %loadpy  %logoff  %logon  %logstart  %logstate  %logstop  %ls  %lsmagic  %lx  %macro  %magic  %man  %matplotlib  %mkdir  %more  %mv  %notebook  %page  %pastebin  %pdb  %pdef  %pdoc  %pfile  %pinfo  %pinfo2  %pip  %popd  %pprint  %precision  %prun  %psearch  %psource  %pushd  %pwd  %pycat  %pylab  %qtconsole  %quickref  %recall  %rehashx  %reload_ext  %rep  %rerun  %reset  %reset_selective  %rm  %rmdir  %run  %save  %sc  %set_env  %store  %sx  %system  %tb  %time  %timeit  %unalias  %unload_ext  %who  %who_ls  %whos  %xdel  %xmode
-    
-    Available cell magics:
-    %%!  %%HTML  %%SVG  %%bash  %%capture  %%debug  %%file  %%html  %%javascript  %%js  %%latex  %%markdown  %%perl  %%prun  %%pypy  %%python  %%python2  %%python3  %%ruby  %%script  %%sh  %%svg  %%sx  %%system  %%time  %%timeit  %%writefile
-    
-    Automagic is ON, % prefix IS NOT needed for line magics.
-
-
-
-
 ```python
 ```python
 %%HTML 
 %%HTML 
 <a href="https://www.vik.bme.hu/">BME VIK Honlap</a>
 <a href="https://www.vik.bme.hu/">BME VIK Honlap</a>
 ```
 ```
 
 
 
 
-<a href="https://www.vik.bme.hu/">BME VIK Honlap</a>
-
-
-
-
 ```latex
 ```latex
 %%latex
 %%latex
 $\sum_{n=1}^{\infty} \frac{1}{2^{n}} = 1$
 $\sum_{n=1}^{\infty} \frac{1}{2^{n}} = 1$
 ```
 ```
 
 
-
-$\sum_{n=1}^{\infty} \frac{1}{2^{n}} = 1$
-
-
-
 ## Mandelbrot halmaz
 ## Mandelbrot halmaz
 Komplex számokból álló sík, melyre:
 Komplex számokból álló sík, melyre:
 $$x_1 = 0$$
 $$x_1 = 0$$
@@ -118,10 +89,6 @@ plt.axis("off")
 plt.show()
 plt.show()
 ```
 ```
 
 
-
-![png](output_11_0.png)
-
-
 ## GPU támogatott Mandelbrot
 ## GPU támogatott Mandelbrot
 Helyezzük el a @jit annotációt a számítási függvényekhez. Meg kell jegyezni, hogy az annotáció a pythonos kódot natívra is cseréli, nemcsak a GPU-t használja.
 Helyezzük el a @jit annotációt a számítási függvényekhez. Meg kell jegyezni, hogy az annotáció a pythonos kódot natívra is cseréli, nemcsak a GPU-t használja.
 
 
@@ -168,10 +135,6 @@ plt.show()
 ```
 ```
 
 
 
 
-![png](output_15_0.png)
-
-
-
 ```python
 ```python
 from numba import jit
 from numba import jit
 import numpy as np  
 import numpy as np  
@@ -200,9 +163,57 @@ if __name__=="__main__":
     print("with GPU:", timer()-start) 
     print("with GPU:", timer()-start) 
 ```
 ```
 
 
-    without GPU: 5.453964335843921
-    with GPU: 0.08208791585639119
+## PyTorch
+[link](https://pytorch.org/tutorials/beginner/basics/quickstart_tutorial.html)
+
+
 
 
+```python
+import torch
+from torch import nn
+from torch.utils.data import DataLoader
+from torchvision import datasets
+from torchvision.transforms import ToTensor, Lambda, Compose
+import matplotlib.pyplot as plt
+```
+
+
+```python
+# Download training data from open datasets.
+training_data = datasets.FashionMNIST(
+    root="data",
+    train=True,
+    download=True,
+    transform=ToTensor(),
+)
+# Download test data from open datasets.
+test_data = datasets.FashionMNIST(
+    root="data",
+    train=False,
+    download=True,
+    transform=ToTensor(),
+)
+```
+
+
+```python
+batch_size = 64
+
+# Create data loaders.
+train_dataloader = DataLoader(training_data, batch_size=batch_size)
+test_dataloader = DataLoader(test_data, batch_size=batch_size)
+
+for X, y in test_dataloader:
+    print("Shape of X [N, C, H, W]: ", X.shape)
+    print("Shape of y: ", y.shape, y.dtype)
+    break
+```
+
+    Shape of X [N, C, H, W]:  torch.Size([64, 1, 28, 28])
+    Shape of y:  torch.Size([64]) torch.int64
+
+
+_HF befejezni_
 
 
 ## Osztályozás TensorFlow-val
 ## Osztályozás TensorFlow-val
 Telepítsük a TensorFlow-t, egyszer majd talán központilag le lesz töltve, így nem kell magunknak leszedni:
 Telepítsük a TensorFlow-t, egyszer majd talán központilag le lesz töltve, így nem kell magunknak leszedni:
@@ -226,29 +237,3 @@ from tensorflow import keras
 from tensorflow.keras import layers
 from tensorflow.keras import layers
 from tensorflow.keras.models import Sequential
 from tensorflow.keras.models import Sequential
 ```
 ```
-
-
-    ---------------------------------------------------------------------------
-
-    ModuleNotFoundError                       Traceback (most recent call last)
-
-    <ipython-input-1-e2c0ac327373> in <module>
-          4 import os
-          5 import PIL
-    ----> 6 import tensorflow as tf
-          7 
-          8 from tensorflow import keras
-
-
-    ModuleNotFoundError: No module named 'tensorflow'
-
-
-
-```python
-
-```
-
-
-```python
-
-```