PyTorch: Deep Learning con Python

• Desarrolladores Python con base en NumPy que buscan iniciarse en deep learning
• Científicos de datos que necesitan construir y entrenar redes neuronales
• Ingenieros de ML interesados en herramientas modernas de PyTorch para producción

Fundamentos de PyTorch

• Tensores: creación, operaciones, indexación y gestión de dispositivos CPU/GPU
• Autograd: grafos computacionales dinámicos, gradientes y diferenciación automática

Construcción y entrenamiento de redes neuronales

• nn.Module: capas, activaciones, dropout, normalización y modelos personalizados
• Entrenamiento: funciones de pérdida, optimizadores, bucle train/val y métricas

Datos y pipelines

• Dataset y DataLoader: carga eficiente, workers y muestreo
• Transforms: augmentación de imágenes y pipelines de preprocesado

Arquitecturas especializadas

• CNN: redes convolucionales, clasificación de imágenes y transfer learning
• RNN: LSTM, GRU y procesamiento de secuencias de texto

Producción y optimización

• torch.compile: compilación estable con TorchDynamo y AOTInductor
• Mixed precisión: entrenamiento eficiente con autocast, GradScaler y bfloat16
• Despliegue: guardado, checkpoints, torch.export, ONNX y ExecuTorch para edge
• Distribuido: DDP, FSDP2 y Tensor Parallel; cuantización con torchao

Proyecto integrador

• Clasificador de imágenes con transfer learning sobre ResNet o Visión Transformer, Lightning 2.x o Ignite, TorchMetrics, torch.compile, export a ONNX y despliegue con TorchServe o Lightning Serve

Al completar este roadmap, serás capaz de:

• Manipular tensores en CPU y GPU con operaciones vectorizadas
• Construir redes neuronales personalizadas con nn.Module
• Entrenar modelos con bucles completos de entrenamiento y validación
• Diseñar pipelines de datos eficientes con Dataset y DataLoader
• Implementar CNN para clasificación de imágenes y aplicar transfer learning con ResNet y Visión Transformers
• Procesar secuencias con RNN, LSTM y GRU
• Optimizar y desplegar modelos con torch.compile, AOTInductor, mixed precisión bfloat16, ONNX y ExecuTorch
• Orquestar entrenamientos con Lightning 2.x, Ignite y TorchMetrics
• Entregar un proyecto integrador de clasificación de imágenes con transfer learning, export ONNX y despliegue con TorchServe o Lightning