Torch es una biblioteca de Machine learning de código abierto y un marco de computación científica construido sobre el lenguaje de scripting Lua. Lanzado en 2002 por el Idiap Research Institute, ofrecía interfaces LuaJIT para algoritmos de Deep learning implementados en C, lo que lo convirtió en una herramienta temprana notable para investigadores que trabajaban en modelos de Artificial intelligence y Neural network. El diseño de la biblioteca enfatizaba la flexibilidad y la modularidad, lo que contribuyó a su adopción en entornos académicos e industriales. En 2017, el desarrollo de Torch hizo la transición a PyTorch, un port de la biblioteca a Python, que desde entonces se ha convertido en un marco dominante en la investigación de Deep learning.
Paquete principal: torch
El paquete central de Torch es el paquete torch, que proporciona un arreglo N-dimensional flexible conocido como Tensor. Este Tensor admite rutinas básicas para indexación, división, transposición, conversión de tipos, redimensionamiento, uso compartido de almacenamiento y clonación, formando el objeto central utilizado por la mayoría de los otros paquetes. Más allá de estas operaciones estructurales, el Tensor admite funciones matemáticas como máximo, mínimo y suma, distribuciones estadísticas como uniforme, normal y multinomial, y operaciones básicas de álgebra lineal (BLAS) como producto punto, multiplicación matriz-vector y multiplicación matriz-matriz.
El paquete torch también simplifica la programación orientada a objetos y la serialización mediante funciones de conveniencia utilizadas en todo su ecosistema. La función torch.class(classname, parentclass) crea fábricas de objetos o clases, lo que permite a los desarrolladores definir estructuras de datos personalizadas. Cuando se llama a un constructor, Torch inicializa una tabla de Lua con una metatabla definida por el usuario, convirtiendo la tabla en un objeto. Los objetos creados mediante esta fábrica pueden serializarse siempre que no contengan referencias a entidades no serializables como corrutinas de Lua o userdata sin procesar; sin embargo, el userdata puede serializarse si se envuelve en una tabla con métodos read() y write().
Paquete de redes neuronales: nn
El paquete nn está diseñado para construir arquitecturas de Neural network. Se compone de objetos modulares que comparten una interfaz común Module, con métodos forward() y backward() que habilitan la propagación hacia adelante y la retropropagación, respectivamente. Estos módulos pueden combinarse utilizando compuestos como Sequential, Parallel y Concat para crear gráficos específicos de tareas. Componentes básicos como Linear, Tanh y Max se incluyen como bloques de construcción. Esta interfaz modular proporciona diferenciación automática de primer orden, lo que permite a los investigadores construir modelos sin derivar gradientes manualmente.
Las funciones de pérdida se implementan como subclases de Criterion, que refleja la interfaz Module con métodos forward() y backward() para calcular la pérdida y propagar gradientes. Criterios comunes incluyen MSECriterion para el error cuadrático medio y ClassNLLCriterion para la pérdida de entropía cruzada, que facilitan el entrenamiento en tareas típicas. El paquete también incluye una clase StochasticGradient para aplicar el descenso de gradiente estocástico, aunque el paquete optim ofrece opciones adicionales como regularización por momento y decaimiento de pesos.
Paquetes adicionales y ecosistema
Más allá de los paquetes oficiales, muchas bibliotecas de terceros amplían las capacidades de Torch, cubriendo áreas como paralelismo, entrada/salida asíncrona y procesamiento de imágenes. Estos paquetes se instalan típicamente a través de LuaRocks, el gestor de paquetes de Lua incluido con las distribuciones de Torch. La modularidad del ecosistema fomentó la experimentación, y la disponibilidad de herramientas especializadas hizo que Torch fuera adaptable a diversas necesidades de investigación.
Aplicaciones y adopción
Torch encontró uso tanto en entornos académicos como industriales. Fue adoptado por el Facebook AI Research Group, IBM, Yandex y el Idiap Research Institute, y Facebook lanzó un conjunto de módulos de extensión como software de código abierto. La biblioteca también se amplió para su implementación en plataformas Android e iOS, y se utilizó para construir implementaciones de hardware para flujos de datos en redes neuronales. Estas aplicaciones destacaron la versatilidad de Torch para manejar tareas de aprendizaje automático del mundo real, desde prototipos de investigación hasta sistemas de producción.
Legado y sucesión
El desarrollo de Torch cesó en 2017 cuando el proyecto hizo la transición a PyTorch, un port basado en Python que conservó muchos de los conceptos centrales de Torch mientras aprovechaba el ecosistema más amplio de Python. Desde entonces, PyTorch se ha convertido en una piedra angular de la investigación moderna en Machine learning, impulsando avances en áreas como modelos Transformer (architecture) y sistemas a gran escala de Generative AI. Como precursor, Torch sentó las bases en operaciones tensoriales y diseño modular de redes neuronales que influyeron en marcos posteriores. Su énfasis en Lua, sin embargo, limitó su adopción más amplia en comparación con alternativas basadas en Python, un factor que contribuyó a la transición final.
Véase también
- PyTorch: El sucesor de Torch en Python.
- Machine learning: El campo de estudio más amplio.
- Deep learning: Un subconjunto del aprendizaje automático que Torch apoyó.