Python/PyTorch
< Python
Python/PyTorchの概要
編集
PyTorch（パイトーチ）は、Python向けのオープンソースの機械学習フレームワークです。PyTorchは、テンソル計算をベースにした柔軟で高度な数値計算を提供し、ニューラルネットワークをはじめとする機械学習モデルの構築、訓練、デプロイメントを容易に行うことができます。PyTorchは、深層学習研究者やデータサイエンティストに人気があり、アカデミックな研究から実用的なアプリケーションまで幅広い分野で活用されています。
主な機能
編集- テンソル計算: PyTorchは高速なテンソル計算をサポートしており、GPUを利用して高速な演算を実現します。テンソルは多次元の配列を表現し、機械学習モデルのデータやパラメータを効率的に扱うことができます。
- ニューラルネットワーク: PyTorchはニューラルネットワークの構築と訓練を簡単に行うことができます。モジュール化された設計や自動微分などの機能が備わっており、複雑なネットワークの実装が容易になります。
- データローダー: PyTorchはデータローダーを提供しており、大規模なデータセットを効率的に読み込み、バッチ処理を行うことができます。これにより、データの前処理やミニバッチ学習を簡単に実現できます。
- モデルの保存と読み込み: PyTorchはモデルのパラメータや構造を保存し、後で読み込むことができる機能を提供します。学習済みモデルの再利用や転移学習などに役立ちます。
- インテグレーション: PyTorchは他のPythonライブラリとのシームレスなインテグレーションをサポートしています。NumPyやSciPyなどのライブラリとの連携が容易に行えます。
Python/PyTorchのコード例
編集コードは未検証です。
テンソルの操作
編集import torch # データセットの作成 x = torch.tensor([[1, 2, 3], [4, 5, 6]]) y = torch.tensor([[7, 8, 9], [10, 11, 12]]) # テンソルの演算 z = x + y # テンソルの表示 print(z)
ニューラルネットワークの構築
編集import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset # データセットの作成 inputs = torch.randn(100, 10) targets = torch.randint(0, 2, (100,)) # データローダーの作成 dataset = TensorDataset(inputs, targets) dataloader = DataLoader(dataset, batch_size=10, shuffle=True) # ネットワークの定義 class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc1 = nn.Linear(10, 5) self.fc2 = nn.Linear(5, 2) def forward(self, x): x = torch.relu(self.fc1(x)) x = self.fc2(x) return x # ネットワークのインスタンス化 net = SimpleNet() # 損失関数と最適化関数の定義 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.01) # ネットワークの訓練 for epoch in range(10): for inputs, targets in dataloader: optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, targets) loss.backward() optimizer.step()
データセットの作成とテンソルの演算
編集上記のコード例では、2つのテンソルを作成して足し算を行い、結果を表示しています。
ニューラルネットワークの構築と訓練
編集上記のコード例では、簡単なニューラルネットワークを定義し、ランダムなデータセットを用いてネットワークの訓練を行っています。データセットは100個の入力データと対応するラベル（0または1）から構成されており、データローダーを使用してバッチごとにデータを取得しています。
これらのコード例を実行することで、PyTorchのテンソル操作やニューラルネットワークの構築と訓練の基本的な方法を学ぶことができます。
実践?
編集import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset import seaborn as sns import matplotlib.pyplot as plt # データセットの作成 inputs = torch.randn(100, 10) targets = torch.randint(0, 2, (100,)) # データローダーの作成 dataset = TensorDataset(inputs, targets) dataloader = DataLoader(dataset, batch_size=10, shuffle=True) # テストデータの作成 test_inputs = torch.randn(20, 10) test_targets = torch.randint(0, 2, (20,)) test_dataset = TensorDataset(test_inputs, test_targets) test_dataloader = DataLoader(test_dataset, batch_size=10, shuffle=False) # ネットワークの定義 class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc1 = nn.Linear(10, 5) self.fc2 = nn.Linear(5, 2) def forward(self, x): x = torch.relu(self.fc1(x)) x = self.fc2(x) return x # ネットワークのインスタンス化 net = SimpleNet() # 損失関数と最適化関数の定義 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.01) # リストにエポックごとの損失を記録 losses = [] # ネットワークの訓練 for epoch in range(300): running_loss = 0.0 for inputs, targets in dataloader: optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, targets) loss.backward() optimizer.step() running_loss += loss.item() # エポックごとの損失を記録 epoch_loss = running_loss / len(dataloader) losses.append(epoch_loss) # エポックごとの損失を表示 print(f"Epoch {epoch+1}, Loss: {epoch_loss}") # テストデータを用いてネットワークの精度を確認 correct = 0 total = 0 with torch.no_grad(): for test_inputs, test_targets in test_dataloader: test_outputs = net(test_inputs) _, predicted = torch.max(test_outputs.data, 1) total += test_targets.size(0) correct += (predicted == test_targets).sum().item() print(f"Accuracy on test data: {100 * correct / total}%") # 損失のグラフを作成 sns.set() plt.plot(losses, label='Loss') plt.xlabel('Epoch') plt.ylabel('Loss') plt.title('Training Loss') plt.legend() plt.show()
結果
編集
Epoch 1, Loss: 0.7172316431999206 Epoch 2, Loss: 0.7155839323997497 Epoch 3, Loss: 0.7134337782859802 Epoch 4, Loss: 0.7118909060955048 Epoch 5, Loss: 0.7104454457759857 Epoch 6, Loss: 0.7088890850543976 Epoch 7, Loss: 0.7075893402099609 Epoch 8, Loss: 0.7062586903572082 Epoch 9, Loss: 0.7048002004623413 Epoch 10, Loss: 0.7034171283245086 Epoch 11, Loss: 0.7025231957435608 Epoch 12, Loss: 0.7015266597270966 Epoch 13, Loss: 0.7002574920654296 Epoch 14, Loss: 0.698747307062149 Epoch 15, Loss: 0.6977063953876496 Epoch 16, Loss: 0.6966621577739716 Epoch 17, Loss: 0.6960369169712066 Epoch 18, Loss: 0.6948440372943878 Epoch 19, Loss: 0.6939657866954804 Epoch 20, Loss: 0.6930074751377105 Epoch 21, Loss: 0.6920962750911712 Epoch 22, Loss: 0.6911981880664826 Epoch 23, Loss: 0.6903640866279602 Epoch 24, Loss: 0.6899523138999939 Epoch 25, Loss: 0.6889663338661194 Epoch 26, Loss: 0.6880228400230408 Epoch 27, Loss: 0.6870487809181214 Epoch 28, Loss: 0.686165726184845 Epoch 29, Loss: 0.685486626625061 Epoch 30, Loss: 0.6848306059837341 Epoch 31, Loss: 0.6839422225952149 Epoch 32, Loss: 0.6832305550575256 Epoch 33, Loss: 0.6824147522449493 Epoch 34, Loss: 0.6819980144500732 Epoch 35, Loss: 0.6810794234275818 Epoch 36, Loss: 0.6802286505699158 Epoch 37, Loss: 0.6798258125782013 Epoch 38, Loss: 0.6791172385215759 Epoch 39, Loss: 0.6782729268074036 Epoch 40, Loss: 0.6776126682758331 Epoch 41, Loss: 0.6768989622592926 Epoch 42, Loss: 0.6762053728103637 Epoch 43, Loss: 0.6756475090980529 Epoch 44, Loss: 0.6753955066204071 Epoch 45, Loss: 0.6745489716529847 Epoch 46, Loss: 0.6739313542842865 Epoch 47, Loss: 0.673326188325882 Epoch 48, Loss: 0.6729915618896485 Epoch 49, Loss: 0.6722120344638824 Epoch 50, Loss: 0.6718266606330872 Epoch 51, Loss: 0.6716600954532623 Epoch 52, Loss: 0.6705677092075348 Epoch 53, Loss: 0.670308530330658 Epoch 54, Loss: 0.6694739460945129 Epoch 55, Loss: 0.6696305751800538 Epoch 56, Loss: 0.6684424042701721 Epoch 57, Loss: 0.6680074572563172 Epoch 58, Loss: 0.66744304895401 Epoch 59, Loss: 0.6669774293899536 Epoch 60, Loss: 0.6665449023246766 Epoch 61, Loss: 0.6661204695701599 Epoch 62, Loss: 0.6657149434089661 Epoch 63, Loss: 0.665413784980774 Epoch 64, Loss: 0.6644633650779724 Epoch 65, Loss: 0.6640498042106628 Epoch 66, Loss: 0.6635482728481292 Epoch 67, Loss: 0.6631396770477295 Epoch 68, Loss: 0.6626389265060425 Epoch 69, Loss: 0.6620482861995697 Epoch 70, Loss: 0.6617119312286377 Epoch 71, Loss: 0.66120285987854 Epoch 72, Loss: 0.6607514917850494 Epoch 73, Loss: 0.6605069577693939 Epoch 74, Loss: 0.6601471483707428 Epoch 75, Loss: 0.6598217964172364 Epoch 76, Loss: 0.6590731561183929 Epoch 77, Loss: 0.6587798476219178 Epoch 78, Loss: 0.6581548631191254 Epoch 79, Loss: 0.6583406329154968 Epoch 80, Loss: 0.6577327191829682 Epoch 81, Loss: 0.6571271896362305 Epoch 82, Loss: 0.656671267747879 Epoch 83, Loss: 0.6562894463539124 Epoch 84, Loss: 0.655829232931137 Epoch 85, Loss: 0.6553720891475677 Epoch 86, Loss: 0.6552034676074981 Epoch 87, Loss: 0.6547967314720153 Epoch 88, Loss: 0.6542360842227936 Epoch 89, Loss: 0.6536154091358185 Epoch 90, Loss: 0.6535664677619935 Epoch 91, Loss: 0.6530918955802918 Epoch 92, Loss: 0.6530490577220917 Epoch 93, Loss: 0.6518986225128174 Epoch 94, Loss: 0.6515590190887451 Epoch 95, Loss: 0.6512846767902374 Epoch 96, Loss: 0.6512621939182281 Epoch 97, Loss: 0.6505548655986786 Epoch 98, Loss: 0.6501051962375641 Epoch 99, Loss: 0.6494227886199951 Epoch 100, Loss: 0.649199378490448 Epoch 101, Loss: 0.6486238539218903 Epoch 102, Loss: 0.6482992887496948 Epoch 103, Loss: 0.6479936063289642 Epoch 104, Loss: 0.6475347340106964 Epoch 105, Loss: 0.647095674276352 Epoch 106, Loss: 0.6466729760169982 Epoch 107, Loss: 0.6463548004627228 Epoch 108, Loss: 0.6456947088241577 Epoch 109, Loss: 0.6452789962291717 Epoch 110, Loss: 0.6445926547050476 Epoch 111, Loss: 0.644685173034668 Epoch 112, Loss: 0.6439492046833039 Epoch 113, Loss: 0.6432851135730744 Epoch 114, Loss: 0.6427569389343262 Epoch 115, Loss: 0.6423129439353943 Epoch 116, Loss: 0.6422940135002136 Epoch 117, Loss: 0.6415979444980622 Epoch 118, Loss: 0.6415235042572022 Epoch 119, Loss: 0.640673142671585 Epoch 120, Loss: 0.640322333574295 Epoch 121, Loss: 0.6399925887584687 Epoch 122, Loss: 0.6392323136329651 Epoch 123, Loss: 0.6386380940675735 Epoch 124, Loss: 0.6380882740020752 Epoch 125, Loss: 0.6379547357559204 Epoch 126, Loss: 0.6373067677021027 Epoch 127, Loss: 0.6371121287345887 Epoch 128, Loss: 0.6361018240451812 Epoch 129, Loss: 0.6354252219200134 Epoch 130, Loss: 0.6350532352924347 Epoch 131, Loss: 0.6341704726219177 Epoch 132, Loss: 0.6337720513343811 Epoch 133, Loss: 0.6329683005809784 Epoch 134, Loss: 0.6322911262512207 Epoch 135, Loss: 0.6322241604328156 Epoch 136, Loss: 0.6316525161266326 Epoch 137, Loss: 0.6310757458209991 Epoch 138, Loss: 0.6307730972766876 Epoch 139, Loss: 0.6301729202270507 Epoch 140, Loss: 0.62952039539814 Epoch 141, Loss: 0.6292171061038971 Epoch 142, Loss: 0.6288813889026642 Epoch 143, Loss: 0.6283952474594117 Epoch 144, Loss: 0.627724552154541 Epoch 145, Loss: 0.6275863885879517 Epoch 146, Loss: 0.6266201615333558 Epoch 147, Loss: 0.6264863908290863 Epoch 148, Loss: 0.6258289456367493 Epoch 149, Loss: 0.6254477679729462 Epoch 150, Loss: 0.6248232185840606 Epoch 151, Loss: 0.6242233693599701 Epoch 152, Loss: 0.6238783121109008 Epoch 153, Loss: 0.6234713077545166 Epoch 154, Loss: 0.6228610515594483 Epoch 155, Loss: 0.6227936685085297 Epoch 156, Loss: 0.6218818128108978 Epoch 157, Loss: 0.6216851651668549 Epoch 158, Loss: 0.6212225258350372 Epoch 159, Loss: 0.6207438766956329 Epoch 160, Loss: 0.6202704071998596 Epoch 161, Loss: 0.6198987662792206 Epoch 162, Loss: 0.6194111585617066 Epoch 163, Loss: 0.6188644766807556 Epoch 164, Loss: 0.6188222765922546 Epoch 165, Loss: 0.6180778264999389 Epoch 166, Loss: 0.6178474009037018 Epoch 167, Loss: 0.6173537015914917 Epoch 168, Loss: 0.6169044673442841 Epoch 169, Loss: 0.6166277647018432 Epoch 170, Loss: 0.6163138329982758 Epoch 171, Loss: 0.6159413099288941 Epoch 172, Loss: 0.615620756149292 Epoch 173, Loss: 0.6154781699180603 Epoch 174, Loss: 0.6147140145301819 Epoch 175, Loss: 0.6144913852214813 Epoch 176, Loss: 0.6138638436794281 Epoch 177, Loss: 0.6137386798858643 Epoch 178, Loss: 0.613091516494751 Epoch 179, Loss: 0.6130679965019226 Epoch 180, Loss: 0.6124846041202545 Epoch 181, Loss: 0.611948874592781 Epoch 182, Loss: 0.6114454686641693 Epoch 183, Loss: 0.6110112190246582 Epoch 184, Loss: 0.6105754792690277 Epoch 185, Loss: 0.6102881073951721 Epoch 186, Loss: 0.6100647509098053 Epoch 187, Loss: 0.6093645006418228 Epoch 188, Loss: 0.6090194493532181 Epoch 189, Loss: 0.6083994507789612 Epoch 190, Loss: 0.6081330448389053 Epoch 191, Loss: 0.60744249522686 Epoch 192, Loss: 0.6070296436548233 Epoch 193, Loss: 0.6067060708999634 Epoch 194, Loss: 0.6064476937055587 Epoch 195, Loss: 0.605833238363266 Epoch 196, Loss: 0.6054053664207458 Epoch 197, Loss: 0.6047285258769989 Epoch 198, Loss: 0.6042890906333923 Epoch 199, Loss: 0.604012879729271 Epoch 200, Loss: 0.6034434169530869 Epoch 201, Loss: 0.6030950725078583 Epoch 202, Loss: 0.6027598440647125 Epoch 203, Loss: 0.6020280301570893 Epoch 204, Loss: 0.6017543882131576 Epoch 205, Loss: 0.6019152939319611 Epoch 206, Loss: 0.6010530740022659 Epoch 207, Loss: 0.6006012290716172 Epoch 208, Loss: 0.6000461339950561 Epoch 209, Loss: 0.5997589021921158 Epoch 210, Loss: 0.5994018077850342 Epoch 211, Loss: 0.5992134541273118 Epoch 212, Loss: 0.5990976691246033 Epoch 213, Loss: 0.5982634246349334 Epoch 214, Loss: 0.5980139166116715 Epoch 215, Loss: 0.5975212603807449 Epoch 216, Loss: 0.5971673429012299 Epoch 217, Loss: 0.5973487019538879 Epoch 218, Loss: 0.5964401572942734 Epoch 219, Loss: 0.5963750749826431 Epoch 220, Loss: 0.5960692882537841 Epoch 221, Loss: 0.5956205189228058 Epoch 222, Loss: 0.5949371218681335 Epoch 223, Loss: 0.5950301826000214 Epoch 224, Loss: 0.5942545533180237 Epoch 225, Loss: 0.5941599071025848 Epoch 226, Loss: 0.5939353793859482 Epoch 227, Loss: 0.5931886374950409 Epoch 228, Loss: 0.5929647147655487 Epoch 229, Loss: 0.5927237868309021 Epoch 230, Loss: 0.5925554037094116 Epoch 231, Loss: 0.5920345067977906 Epoch 232, Loss: 0.592002984881401 Epoch 233, Loss: 0.5916295528411866 Epoch 234, Loss: 0.5912656903266906 Epoch 235, Loss: 0.5905644118785858 Epoch 236, Loss: 0.5912041962146759 Epoch 237, Loss: 0.5899196922779083 Epoch 238, Loss: 0.5898394078016281 Epoch 239, Loss: 0.5894883751869202 Epoch 240, Loss: 0.5890681833028794 Epoch 241, Loss: 0.5890004992485046 Epoch 242, Loss: 0.5883205324411392 Epoch 243, Loss: 0.5882011085748673 Epoch 244, Loss: 0.5878109097480774 Epoch 245, Loss: 0.5871420562267303 Epoch 246, Loss: 0.5871152281761169 Epoch 247, Loss: 0.5869166493415833 Epoch 248, Loss: 0.5864647209644318 Epoch 249, Loss: 0.5866314232349396 Epoch 250, Loss: 0.5854829847812653 Epoch 251, Loss: 0.5855059385299682 Epoch 252, Loss: 0.5851253151893616 Epoch 253, Loss: 0.5850923120975494 Epoch 254, Loss: 0.5846110463142395 Epoch 255, Loss: 0.5840506374835968 Epoch 256, Loss: 0.5840651422739029 Epoch 257, Loss: 0.5841655641794204 Epoch 258, Loss: 0.5833052456378937 Epoch 259, Loss: 0.5829112023115158 Epoch 260, Loss: 0.582865571975708 Epoch 261, Loss: 0.5821620136499405 Epoch 262, Loss: 0.5821201235055924 Epoch 263, Loss: 0.5812940508127212 Epoch 264, Loss: 0.5818515568971634 Epoch 265, Loss: 0.5809178173542022 Epoch 266, Loss: 0.5801565706729889 Epoch 267, Loss: 0.5798440545797348 Epoch 268, Loss: 0.5796185880899429 Epoch 269, Loss: 0.5792011708021164 Epoch 270, Loss: 0.579231470823288 Epoch 271, Loss: 0.5786095678806304 Epoch 272, Loss: 0.5784413158893585 Epoch 273, Loss: 0.5780120074748993 Epoch 274, Loss: 0.5777808219194412 Epoch 275, Loss: 0.5775089353322983 Epoch 276, Loss: 0.5769561767578125 Epoch 277, Loss: 0.5769323170185089 Epoch 278, Loss: 0.5762925386428833 Epoch 279, Loss: 0.5761769980192184 Epoch 280, Loss: 0.5752924859523774 Epoch 281, Loss: 0.5752902835607528 Epoch 282, Loss: 0.5750128507614136 Epoch 283, Loss: 0.5749126017093659 Epoch 284, Loss: 0.5740054368972778 Epoch 285, Loss: 0.5739078521728516 Epoch 286, Loss: 0.5734700471162796 Epoch 287, Loss: 0.5732420295476913 Epoch 288, Loss: 0.5730233132839203 Epoch 289, Loss: 0.572459477186203 Epoch 290, Loss: 0.5721667975187301 Epoch 291, Loss: 0.5719420671463012 Epoch 292, Loss: 0.5714848816394806 Epoch 293, Loss: 0.5711503505706788 Epoch 294, Loss: 0.5709364682435989 Epoch 295, Loss: 0.5710601389408112 Epoch 296, Loss: 0.5706405311822891 Epoch 297, Loss: 0.5701032459735871 Epoch 298, Loss: 0.5694433361291885 Epoch 299, Loss: 0.5692947596311569 Epoch 300, Loss: 0.5687483668327331 Accuracy on test data: 50.0%
実践？？
編集import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset import seaborn as sns import matplotlib.pyplot as plt # データセットの作成 inputs_train = torch.randn(80, 10) # 80未満のデータ inputs_test = torch.randn(120, 10) # 80以上のデータ targets_train = torch.zeros(80) # 80未満は不合格（0） targets_test = torch.ones(120) # 80以上は合格（1） # データローダーの作成 train_dataset = TensorDataset(inputs_train, targets_train) train_dataloader = DataLoader(train_dataset, batch_size=10, shuffle=True) test_dataset = TensorDataset(inputs_test, targets_test) test_dataloader = DataLoader(test_dataset, batch_size=10, shuffle=False) # ネットワークの定義（同じネットワークを使用） class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc1 = nn.Linear(10, 5) self.fc2 = nn.Linear(5, 2) def forward(self, x): x = torch.relu(self.fc1(x)) x = self.fc2(x) return x # ネットワークのインスタンス化 net = SimpleNet() # 損失関数と最適化関数の定義 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.01) # リストにエポックごとの損失を記録 losses = [] # ネットワークの訓練 for epoch in range(300): running_loss = 0.0 for inputs, targets in train_dataloader: optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, targets.long()) # CrossEntropyLossはlong型のターゲットを受け取る loss.backward() optimizer.step() running_loss += loss.item() # エポックごとの損失を記録 epoch_loss = running_loss / len(train_dataloader) losses.append(epoch_loss) # エポックごとの損失を表示 print(f"Epoch {epoch+1}, Loss: {epoch_loss}") # モデルを保存 torch.save(net.state_dict(), 'model.pth') # テストデータを用いてネットワークの精度を確認 correct = 0 total = 0 with torch.no_grad(): for test_inputs, test_targets in test_dataloader: test_outputs = net(test_inputs) _, predicted = torch.max(test_outputs.data, 1) total += test_targets.size(0) correct += (predicted == test_targets).sum().item() print(f"Accuracy on test data: {100 * correct / total}%") # 損失のグラフを作成 sns.set() plt.plot(losses, label='Loss') plt.xlabel('Epoch') plt.ylabel('Loss') plt.title('Training Loss') plt.legend() plt.show()
このコードはモデルの保存も実行
import torch import torch.nn as nn from torch.utils.data import DataLoader, TensorDataset import matplotlib.pyplot as plt # ネットワークの定義（同じネットワークを使用） class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc1 = nn.Linear(10, 5) self.fc2 = nn.Linear(5, 2) def forward(self, x): x = torch.relu(self.fc1(x)) x = self.fc2(x) return x # 新しいデータを指定して予測を行う関数 def predict_new_data(model, new_data): dataset = TensorDataset(new_data) dataloader = DataLoader(dataset, batch_size=10, shuffle=False) predictions = [] with torch.no_grad(): for inputs in dataloader: outputs = model(inputs[0]) _, predicted = torch.max(outputs.data, 1) predictions.extend(predicted.tolist()) return predictions # ネットワークのインスタンス化 net = SimpleNet() # 保存したモデルのパラメータを読み込む net.load_state_dict(torch.load('model.pth')) # 新しいデータの作成 new_inputs = torch.randn(50, 10) # 50個の新しいデータ # 新しいデータを指定してネットワークの推論を実行 predictions = predict_new_data(net, new_inputs) # 合否のヒストグラムを作成して表示 plt.hist(predictions, bins=2, rwidth=0.8, align='left') plt.xticks([0, 1], ['不合格', '合格']) plt.xlabel('結果') plt.ylabel('頻度') plt.title('合否のヒストグラム') plt.show()
PyTorchのインストール方法
編集PyTorchはpipコマンドを使用して簡単にインストールすることができます。以下のコマンドを実行してください：
pip install torch