PyTorch — Iniciación

Este curso está dirigido a profesionales y estudiantes con conocimientos básicos de Python y álgebra lineal que se aproximan por primera vez al ecosistema PyTorch. A lo largo de las ocho horas de formación, el participante recorrerá los fundamentos de la biblioteca: desde la estructura y manipulación de tensores hasta la construcción de redes neuronales multicapa, pasando por el mecanismo de diferenciación automática y la canalización de datos con DataLoader. Al finalizar, la persona será capaz de implementar y ejecutar de forma autónoma un ciclo de entrenamiento completo sobre un conjunto de datos tabular, interpretando los resultados y resolviendo los errores más habituales que surgen en proyectos reales de aprendizaje profundo.

1. Describir qué es un tensor y reconocer sus atributos esenciales —tipo de dato, forma y dispositivo— como base conceptual del framework.
2. Crear y manipular tensores de distintos tipos y dimensiones utilizando las funciones de inicialización de PyTorch, y ejecutar sobre ellos operaciones matemáticas e indexado comparando su comportamiento con NumPy.
3. Identificar los componentes del grafo de cómputo de autograd —tensores hoja, activación del gradiente y acumulación— para comprender cómo PyTorch calcula derivadas de forma automática.
4. Aplicar capas predefinidas de torch.nn para construir una red neuronal multicapa y emplear DataLoader junto con TensorDataset para gestionar la carga y el batching de datos.
5. Ejecutar un ciclo de entrenamiento completo —pase hacia adelante, cálculo de pérdida, retropropagación y actualización de parámetros— integrando todos los componentes anteriores sobre un problema real.
6. Identificar y diagnosticar los mensajes de error más frecuentes de PyTorch relacionados con incompatibilidad de dispositivo, desajuste de dimensiones y gradientes nulos, anticipando problemas habituales en el desarrollo de modelos.

Bloque 1 — El tensor como estructura fundamental. Se introduce el concepto de tensor como objeto central de PyTorch, analizando sus atributos principales: tipo de dato (dtype), forma (shape) y dispositivo (device). A continuación se exploran las funciones de inicialización (zeros, ones, rand, tensor) para crear tensores de distintos tipos y dimensiones, y se practican operaciones matemáticas e indexado, destacando las diferencias de comportamiento respecto a NumPy.

Bloque 2 — Diferenciación automática con autograd. Se estudia el grafo de cómputo dinámico que construye PyTorch durante la ejecución, identificando el papel de los tensores hoja, el atributo requires_grad y el almacenamiento de gradientes en .grad. A través de ejemplos de entrenamiento comentados, se visualiza cómo fluye el gradiente y qué condiciones pueden provocar que este sea nulo o incorrecto.

Bloque 3 — Construcción de redes neuronales y pipeline de datos. Se presentan las capas predefinidas de torch.nn —Linear, ReLU y Sequential— para ensamblar arquitecturas multicapa a partir de un esquema proporcionado. En paralelo se aborda la gestión de datos: uso de TensorDataset para encapsular características y etiquetas, configuración de DataLoader para iterar en lotes y verificación de dimensiones de batch en cada paso.

Bloque 4 — Ciclo de entrenamiento e interpretación de errores. Se integran todos los componentes anteriores en un ciclo de entrenamiento completo —forward pass, cálculo de pérdida, llamada a .backward() y actualización mediante optimizer.step()— aplicado a un dataset tabular simple. El bloque concluye con el análisis de trazas de error reales: incompatibilidad de device, errores de dimensión y situaciones de gradiente nulo, dotando al participante de criterios para depurar sus propios modelos.

• Python 3.9 o superior instalado en el entorno local o acceso a un entorno en la nube (Google Colab, Kaggle Notebooks o equivalente).
• PyTorch 2.x instalado (pip install torch o mediante la guía oficial en pytorch.org).
• Jupyter Notebook o JupyterLab para ejecutar los ejercicios prácticos.
• Conexión a internet para descargar paquetes y acceder a los materiales del curso.
• Se recomienda, aunque no es obligatoria, una GPU compatible con CUDA para los ejercicios opcionales de transferencia de tensores entre dispositivos.

• Programación en Python a nivel básico-intermedio: funciones, clases, listas y comprensión de listas.
• Manejo elemental de NumPy: creación de arrays, operaciones vectorizadas e indexado.
• Conceptos básicos de álgebra lineal: vectores, matrices y producto matricial.
• Noción introductoria de derivadas y regla de la cadena (nivel bachillerato o equivalente).