Convenciones de lectura
PyTorch es el framework de redes neuronales del libro. NumPy conserva las derivaciones explícitas y scikit-learn los generadores, transformaciones y comparadores clásicos. El papel de los datos y la definición de cada métrica deben seguir siendo explícitos.
| Elemento | Convención del libro | Qué comprobar al cambiar de biblioteca |
|---|---|---|
| Tabla | X con N filas y D características | Una observación por fila |
| Capa densa | Z=XW+b; W de D_entrada×D_salida | PyTorch almacena Linear.weight transpuesto: D_salida×D_entrada |
| Residuo | e=y−ŷ | Una derivación puede usar r=ŷ−y; se declara antes de interpretarlo |
| Gap de exactitud | accuracy_train−accuracy_val | Misma forma de evaluar ambos conjuntos |
| Gap de pérdida | loss_val−loss_train | Reducción, regularización y modo entrenamiento/inferencia |
| Imágenes PyTorch | (lote,canales,alto,ancho), NCHW | Transponer, no solo reformar dimensiones |
| Salida | Logits antes de sigmoid/softmax | CrossEntropyLoss recibe logits y clases enteras; BCEWithLogitsLoss recibe logits y objetivos flotantes compatibles |
| Secuencias | Batch y tiempo se declaran en cada modelo | Padding, longitudes y máscaras no son intercambiables |
| Persistencia | Arquitectura, state_dict y contrato de entrada | Pesos y buffers no incluyen por sí solos el entorno ni el estado completo de reanudación |
| Entrenamiento | Ajusta parámetros y transformaciones | Escaladores y vocabularios se estiman aquí |
| Validación | Elige configuración, época o umbral | No se presenta como evaluación independiente del procedimiento elegido |
| Prueba | Evalúa decisiones ya fijadas | No volver a elegir con sus resultados |
| Exactitud / precisión | Accuracy / precision | Precisión=VP/(VP+FP); explicitar clase positiva y agregación |
La pérdida individual se escribe ℓ y su agregado L o J. Se declara si la reducción es media o suma, porque cambia gradientes y escala de regularización. Las letras pueden tener sentidos locales legítimos: D puede nombrar dimensión o discriminador si se define en su contexto.
Cada experimento debe registrar datos, particiones, semillas, versiones, criterio de selección, presupuesto y límites. Una gráfica de atención no identifica por sí sola una causa; una salida entre cero y uno no garantiza calibración. Las comparaciones útiles dependen de la tarea, el baseline y la información disponible al decidir.
La migración a PyTorch y la armonización se cerraron el 15 de octubre de 2026. Las ejecuciones verificadas son CPU; los experimentos de GPU indican cuando CUDA no estuvo disponible. Consultar la bitácora para presupuestos, resultados y comprobantes por capítulo.