Qué es PyTorch: tensores, diferenciación automática y modelos
Construye un cuaderno de comprobación de gradientes en PyTorch
Compara derivadas analíticas y salidas observadas sin ocultar los fallos.
Qué aprenderás
- Elegir funciones pequeñas
- Probar la confusión habitual
- Aprovechar los fallos
Antes de empezar
- Python y cálculo básicos
- Entorno aislado para ejercicios posteriores
Compara derivadas analíticas y salidas observadas sin ocultar los fallos.
Conclusiones clave
- El cuaderno es una propuesta.
- Expectativa y observación son evidencias distintas.
- Cambiar tolerancia requiere explicación.
Elegir funciones pequeñas
Prepara ejercicios para el cuadrado y una suma vectorial corta, escribiendo las derivadas antes de ejecutar código. Registra forma, tipo y dispositivo junto a cada resultado.
Es un ejercicio propuesto, no un cuaderno ejecutado en esta serie. Empieza en CPU sin modelos ni conjuntos externos para facilitar el diagnóstico de resultados inesperados.
Probar la confusión habitual
Compara acumulación con backward y retorno mediante autograd.grad. Recalcula cada pasada e incluye una limpieza deliberada con None; separa expectativas y observaciones en columnas.
Añade diferencias finitas con paso y tolerancia elegidos. Explica su sensibilidad a la precisión, sin exigir igualdad exacta para todos los experimentos de coma flotante.
Aprovechar los fallos
Conserva código, entorno y discrepancia cuando una comprobación falle. Justifica cualquier cambio de tolerancia; ampliarla hasta que todo pase elimina información útil.
El cuaderno terminado debe explicar el origen y destino de cada derivada. Medición GPU, entrenamiento de modelos y despliegue de producción requieren otros proyectos y criterios.
Cómo elegir
| Criterio | Opción A | Opción B |
|---|---|---|
| Best when | You need predictable behavior and easy auditing | You need adaptive optimization and have reliable telemetry |
| Main risk | May leave performance on the table | Can become difficult to explain or debug |
Pasos de implementación
- 1
Escribir las expectativas primero.
- 2
Comparar acumulación y retorno.
- 3
Conservar fallos y tolerancias justificadas.
Ejemplo para copiar
{"function":"x*x","x":3,"analytical_gradient":6,"observed_gradient":null,"executed":false}Preguntas frecuentes
¿Debo descargar un modelo?
No, bastan funciones matemáticas pequeñas.
¿Cómo demostrar que está terminado?
Con comprobaciones reproducibles que expliquen valores, almacenamiento y tolerancias.
Fuentes
- PyTorch / torch/autograd/__init__.pyFuente verificada 2026-09-23
- PyTorch / README.mdFuente verificada 2026-09-23