Dasar-Dasar PyTorch

February 9, 2025

Deep learning telah menjadi teknologi yang sangat penting dalam perkembangan kecerdasan buatan (AI). Untuk memulai perjalanan dalam deep learning, kita membutuhkan alat yang tepat. Salah satu library yang paling populer dan banyak digunakan oleh peneliti adalah library PyTorch. Dalam artikel ini, kita akan mempelajari dasar-dasar PyTorch dan bagaimana menggunakannya.

Jadi mari kita mulai!

Apa itu PyTorch?

Menurut artikel dari NVIDIA, Pytorch merupakan library untuk membangun model deep learning. Pytorch mampu memanfaatkan akselerasi dari GPU (Graphics Processing Unit) untuk mempercepat proses pelatihan model. Deep learning sendiri merupakan salah satu cabang dari machine learning yang umum digunakan dalam aplikasi seperti Computer Vision dan Natural Language Processing.

Mengapa Menggunakan PyTorch?

Mungkin pertanyaan yang muncul adalah mengapa kita harus menggunakan PyTorch? Kenapa tidak menggunakan library lain seperti TensorFlow?

Meskipun kedua library tersebut memiliki fungsi yang sama, PyTorch lebih ideal untuk penelitian dan proyek yang mengutamakan fleksibilitas dan eksperimen. Sementara itu, TensorFlow lebih unggul dalam lingkungan produksi yang membutuhkan kestabilan dan skalabilitas.

PyTorch vs TensorFlow

Perbandingan penggunaan PyTorch dengan library deep learning lainnya.

Berdasarkan tren dari Paperwithcode, PyTorch lebih banyak digunakan dalam penelitian dibandingkan TensorFlow dan library deep learning lainnya.

Selain itu perusahaan besar seperti Meta, Tesla, dan OpenAI juga menggunakan PyTorch dalam pengembangan produk-produk mereka.

Instalasi PyTorch

Sebelum menggunakan PyTorch, pastikan Kamu sudah menginstal Python.

Selanjutnya, Kamu bisa menginstal PyTorch dengan cara:

  1. Kunjungi halaman instalasi PyTorch pada bagain Start Locally dan pilih opsi yang sesuai dengan sistem operasi dan spesifikasi hardware Kamu.

    Install PyTorch
    Halaman instalasi PyTorch.

    Kemudian jalankan perintah yang diberikan. Seperti misalnya contoh di bawah ini:

    pip3 install torch torchvision torchaudio \ --index-url https://download.pytorch.org/whl/cu126
  2. Setelah proses instalasi selesai, coba jalankan kode berikut untuk memastikan PyTorch sudah terinstal dengan benar:

    import torch print(torch.__version__) # Output: 2.6.0+cu126

    Jika tidak ada error, maka PyTorch sudah terinstal dengan benar.

    Note: Output versi PyTorch bisa berbeda tergantung versi yang Kamu instal.

Atau jika Kamu tidak ingin menginstal PyTorch secara lokal, alternatif lainnya adalah menggunakan Google Colab atau Kaggle yang sudah menyediakan PyTorch dan library deep learning lainnya yang sudah terinstal.

Pytorch Tensor

Setelah PyTorch terinstal, sekarang kita akan belajar tentang tensor. Tensor merupakan struktur data dalam bentuk multi-dimensi matriks yang digunakan untuk menyimpan data dalam bentuk array. Jika kamu sudah familiar dengan NumPy, maka konsep tensor di PyTorch hampir sama dengan ndarray di NumPy. Namun tensor memiliki keunggulan yaitu dapat memanfaatkan GPU untuk akselerasi komputasi.

Tensor dapat diilustrasikan sebagai berikut:

Tensor
Ilustrasi tensor.

Scalar adalah tensor dengan 0 dimensi, Vector adalah tensor dengan 1 dimensi, Matrix adalah tensor dengan 2 dimensi, dan Tensor adalah tensor dengan dimensi lebih dari 2.

Inisialisasi Tensor

Pada bagian ini kita akan belajar beberapa cara untuk menginisialisasi tensor di PyTorch.

  1. Inisialisasi tensor dengan list python:

    import torch tensor = torch.tensor([[1, 2], [3, 4]]) print(tensor)

    Output:

    tensor([[1, 2], [3, 4]])
  2. Inisialisasi tensor dengan nilai nol:

    tensor = torch.zeros(2, 2) print(tensor)

    Output:

    tensor([[0., 0.], [0., 0.]])

    Note: nilai (2, 2) menunjukkan ukuran tensor yaitu 2 baris dan 2 kolom. Ukuran tensor bisa disesuaikan dengan kebutuhan.

  3. Inisialisasi tensor dengan nilai satu:

    tensor = torch.ones(2, 2) print(tensor)

    Output:

    tensor([[1., 1.], [1., 1.]])
  4. Inisialisasi tensor dengan nilai acak di antara 0 dan 1:

    tensor = torch.rand(2, 2) print(tensor)

    Output:

    tensor([[0.1234, 0.2345], [0.3456, 0.4567]])
  5. Inisialisasi tensor dengan nilai acak dari distribusi normal:

    tensor = torch.randn(2, 2) print(tensor)

    Output:

    tensor([[ 0.1234, -0.2345], [ 0.3456, 0.4567]])
  6. Inisialisasi tensor di antara misalnya 5 dan 10 (namun tidak termasuk 10):

    tensor = torch.randint(low=5, high=10, size=(2, 2)) print(tensor)

    Output:

    tensor([[7, 8], [6, 5]])
  7. Inisialisasi tensor dengan nilai yang sama:

    tensor = torch.full((2, 2), 5) print(tensor)

    Output:

    tensor([[5, 5], [5, 5]])

Nah sekarang Kamu sudah tahu beberapa cara untuk menginisialisasi tensor di PyTorch. Selanjutnya kita akan belajar tentang operasi tensor.

Operasi Tensor

Pada bagian ini kita akan belajar berbagai operasi tensor di PyTorch. Mirip seperti NumPy, PyTorch juga mendukung berbagai operasi tensor seperti penjumlahan, pengurangan, perkalian, dan lainnya.

  1. Penjumlahan tensor:

    tensor1 = torch.tensor([[1, 2], [3, 4]]) tensor2 = torch.tensor([[5, 6], [7, 8]]) tensor = tensor1 + tensor2 print(tensor)

    Output:

    tensor([[ 6, 8], [10, 12]])
  2. Pengurangan tensor:

    tensor1 = torch.tensor([[1, 2], [3, 4]]) tensor2 = torch.tensor([[5, 6], [7, 8]]) tensor = tensor1 - tensor2 print(tensor)

    Output:

    tensor([[-4, -4], [-4, -4]])
  3. Perkalian tensor:

    tensor1 = torch.tensor([[1, 2], [3, 4]]) tensor2 = torch.tensor([[5, 6], [7, 8]]) tensor = tensor1 * tensor2 print(tensor)

    Output:

    tensor([[ 5, 12], [21, 32]])
  4. Pembagian tensor:

    tensor1 = torch.tensor([[1, 2], [3, 4]]) tensor2 = torch.tensor([[5, 6], [7, 8]]) tensor = tensor1 / tensor2 print(tensor)

    Output:

    tensor([[0.2000, 0.3333], [0.4286, 0.5000]])
  5. Transpose tensor:

    tensor = torch.tensor([[1, 2], [3, 4]]) tensor = tensor.T print(tensor)

    Output:

    tensor([[1, 3], [2, 4]])
  6. Reshape tensor:

    tensor = torch.tensor([[1, 2], [3, 4]]) tensor = tensor.view(1, 4) print(tensor)

    Output:

    tensor([[1, 2, 3, 4]])
  7. Concatenate tensor:

    tensor1 = torch.tensor([[1, 2], [3, 4]]) tensor2 = torch.tensor([[5, 6], [7, 8]]) tensor = torch.cat((tensor1, tensor2), dim=0) print(tensor)

    Output:

    tensor([[1, 2], [3, 4], [5, 6], [7, 8]])
  8. Matriks dot product:

    tensor1 = torch.tensor([[1, 2], [3, 4]]) tensor2 = torch.tensor([[5, 6], [7, 8]]) tensor = torch.mm(tensor1, tensor2) # atau bisa juga menggunakan @ # tensor = tensor1 @ tensor2 print(tensor)

    Output:

    tensor([[19, 22], [43, 50]])

Nah itulah beberapa operasi tensor yang bisa Kamu gunakan di PyTorch.

Apa Selanjutnya?

Dalam artikel ini, kita telah mempelajari dasar-dasar PyTorch dan penggunaannya. Pada artikel selanjutnya kita akan belajar tentang bagaimana membangun model deep learning menggunakan PyTorch.

Referensi

  • https://www.nvidia.com/en-us/glossary/pytorch/
  • https://builtin.com/data-science/pytorch-vs-tensorflow/
  • https://www.learnpytorch.io/00_pytorch_fundamentals/
  • https://paperswithcode.com/trends/
  • https://pytorch.org/