{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "b8eca612",
   "metadata": {},
   "source": [
    "## PyTorch - szybkie wprowadzenie"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "cb893bc6",
   "metadata": {},
   "source": [
    "### 1. Instalacja PyTorch\n",
    "\n",
    "Przed zainstalowaniem PyTorch, musimy najpierw zainstalować środowisko programistyczne języka Python:\n",
    "\n",
    "1. Aby zainstalować Pythona wygodnie jest to zrobić przez platformę <a href=\"anaconda.com/distribution/\">anaconda.com/distribution/</a> - instalatora zainstaluje Pythona, ale również inne  ważne biblioteki, m.in.  specyficzne dla głębokiego uczenia:\n",
    "\n",
    "<img width=600 src=\"images/im1.png\"/>\n",
    "\n",
    "2. Zainstaluj program przy użyciu pobranego instalatora: Wybierz opcję Add Anaconda to my PATH environment variable podczas instalacji, ponieważ ułatwi to wywoływanie Pythona, gdy wpiszemy python w wierszu poleceń/terminalu.\n",
    "\n",
    "\n",
    "<img src=\"images/im2.png\"/>\n",
    "\n",
    "Następnie instalujemy środowisko *PyTorch*, co  jest równie proste:\n",
    "\n",
    "3. Jeżeli nie posiadamy odpowiedniej dla CUDA karty graficznej instalujemy wersję na CPU\n",
    "\n",
    "    *conda install pytorch::pytorch*\n",
    "\n",
    "    W przeciwnym przypadku instalujemy pytorch dla CUDA (pytorch 2.2, cuda 11.8, cuda-toolkit 12.1)\n",
    "\n",
    "    conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia\n",
    "\n",
    "\n",
    "4. Aby sprawdzić, czy PyTorch jest rzeczywiście zainstalowany w środowisku Python wydajemy polecenie\n",
    "\n",
    "    *import torch*\n",
    "\n",
    "    *print(torch.__version__)*\n",
    "\n",
    "\n",
    "5. Aby sprawdzić czy pytorch jest zainstalowany w wersji z CUDA w  środowisku Python  wydajemy polecenie\n",
    "\n",
    "    *import torch*\n",
    "    \n",
    "    *torch.cuda.is_available()*\n",
    "    "
   ]
  },
  {
   "cell_type": "markdown",
   "id": "c7d6b489",
   "metadata": {},
   "source": [
    "### 2. Colab\n",
    "\n",
    "Wszystkie przykłady (notatniki Jupyter) w tym kursie można wykonać w w zdalnym środowisku Colab (https://colab.research.google.com/), udostępniającym automatycznie dostęp do GPU.\n"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "aa2f0d1e",
   "metadata": {},
   "source": [
    "### 3. Podstawy programowania w PyTorch"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "7b7d389f",
   "metadata": {},
   "source": [
    "#### 3.1. Tensory\n",
    "\n",
    "Tensory są podstawowymi typami danych PyTorch. Tensor jest wielowymiarową macierzą\n",
    "macierz podobna do tablic NumPy:\n",
    "\n",
    "- *Skalar* może być reprezentowany jako zerowymiarowy tensor.\n",
    "- *Wektor* może być reprezentowany jako jednowymiarowy tensor.\n",
    "- *Dwuwymiarowa macierz* może być reprezentowana jako dwuwymiarowy tensor.\n",
    "- *Macierz wielowymiarowa* może być reprezentowana jako wielowymiarowy tensor.\n",
    "\n",
    "Obrazowo tensory wyglądają następująco:\n",
    "\n",
    "<img width=500 src=\"images/im4.png\"/>\n",
    "\n",
    "Na przykład, możemy uznać kolorowy obraz RGB  za trójwymiarowy tensor wartości pikseli, ponieważ kolorowy obraz składa się z *wysokości x szerokości x 3 pikseli* - gdzie 'trzy' odpowiada kanałom RGB. Podobnie, obraz w skali szarości może być\n",
    "można uznać za dwuwymiarowy tensor, ponieważ składa się on z pikseli *wysokości x szerokości*.\n",
    "\n",
    "Pod koniec tej sekcji dowiemy się, dlaczego tensory są przydatne i jak je inicjować, a także jak wykonywać różne operacje na tensorach, a także wykonywać różne operacje na tensorach. Będzie to służyć jako\n",
    "jako podstawa, gdy będziemy badać wykorzystanie tensorów do budowy modelu sieci neuronowej w następnej sekcji.\n",
    "\n",
    "##### 3.1.1. Inicjalizacja tensora\n",
    "\n",
    "Tensory są przydatne na wiele sposobów. Oprócz używania ich jako podstawowych struktur danych\n",
    "dla obrazów, jednym z bardziej znaczących zastosowań jest wykorzystanie tensorów do\n",
    "do inicjalizacji wag łączących różne warstwy sieci neuronowej.\n",
    "\n",
    "W tej sekcji przećwiczymy różne sposoby inicjalizacji obiektu tensora. W tym celu uruchom notatnik\n",
    "\n",
    "<a href=\"Initializing_a_tensor.ipynb\">Initializing_a_tensor.ipynb</a> \n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "d25a7541",
   "metadata": {},
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.9.13"
  },
  "latex_envs": {
   "LaTeX_envs_menu_present": true,
   "autoclose": false,
   "autocomplete": true,
   "bibliofile": "biblio.bib",
   "cite_by": "apalike",
   "current_citInitial": 1,
   "eqLabelWithNumbers": true,
   "eqNumInitial": 1,
   "hotkeys": {
    "equation": "Ctrl-E",
    "itemize": "Ctrl-I"
   },
   "labels_anchors": false,
   "latex_user_defs": false,
   "report_style_numbering": false,
   "user_envs_cfg": false
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}