Instalasi PyTorch

PyTorch adalah framework deep learning yang paling banyak dipakai di dunia riset karena antarmuka Python-nya yang alami dan ekosistemnya yang luas. Berbeda dengan pustaka biasa, instalasi PyTorch memiliki pilihan wheel yang bergantung pada perangkat: wheel CPU berukuran jauh lebih kecil, sedangkan wheel CUDA membawa dukungan NVIDIA GPU dengan ukuran unduhan berkali-kali lipat. Memilih wheel yang tepat sejak awal menghemat waktu unduhan dan mencegah kebingungan saat verifikasi. Chapter ini memasang PyTorch 2.14 versi CPU — varian yang dipakai seluruh contoh Course ini — lalu memverifikasinya dengan operasi tensor sungguhan.

Memilih Wheel yang Tepat #

PyTorch mendistribusikan wheel-nya melalui index resmi di download.pytorch.org, bukan hanya melalui PyPI. Alamat index yang kita pakai menentukan varian yang diterima pip. Tabel berikut merangkum dua pilihan utama:

Opsi --index-url mengarahkan pip ke index CPU milik PyTorch sehingga pip tidak menarik wheel CUDA berukuran besar yang akhirnya tidak terpakai. Daftar lengkap perintah untuk setiap kombinasi CUDA terbaru selalu diperbarui di halaman Get Started, jadi rujuk halaman tersebut saat Anda beralih ke GPU.

Memasang PyTorch Versi CPU #

Pastikan virtual environment proyek sudah aktif (Chapter Virtual Environment), lalu jalankan perintah resmi untuk wheel CPU:

python3 -m pip install torch --index-url https://download.pytorch.org/whl/cpu

Output yang Dihasilkan (mesin uji Course telah memiliki PyTorch, sehingga pip melaporkannya):

Looking in indexes: https://download.pytorch.org/whl/cpu
Requirement already satisfied: torch in /home/z/.venv/lib/python3.12/site-packages (2.14.1+cpu)

Pada venv yang masih kosong, baris Requirement already satisfied digantikan progres unduhan dan diakhiri Successfully installed torch-2.14.1...+cpu. Sufiks +cpu pada nomor versi adalah penanda bahwa yang terpasang adalah wheel CPU — detail kecil yang nanti terlihat lagi saat verifikasi.

Verifikasi Instalasi #

Langkah verifikasi yang baik tidak berhenti pada nomor versi: kita juga menjalankan satu operasi tensor untuk membuktikan mesin komputasinya bekerja. Skrip berikut melakukan keduanya:

import torch

print("Versi PyTorch     :", torch.__version__)
print("CUDA tersedia     :", torch.cuda.is_available())

matriks_a = torch.tensor([[1.0, 2.0], [3.0, 4.0]])
matriks_b = torch.tensor([[10.0, 20.0], [30.0, 40.0]])
hasil = matriks_a + matriks_b

print("Hasil penjumlahan :")
print(hasil)
print("Bentuk tensor     :", tuple(hasil.shape))
print("Perangkat aktif   :", hasil.device)
print("Tipe data elemen  :", hasil.dtype)

Output yang Dihasilkan:

Versi PyTorch     : 2.14.1+cpu
CUDA tersedia     : False
Hasil penjumlahan :
tensor([[11., 22.],
        [33., 44.]])
Bentuk tensor     : (2, 2)
Perangkat aktif   : cpu
Tipe data elemen  : torch.float32

Mari kita telaah kode di atas baris per baris:

1. Baris 1 (import torch): mengimpor pustaka PyTorch. Pemasangan yang benar membuat pernyataan ini berjalan tanpa galat ModuleNotFoundError.
2. Baris 3 (torch.__version__): menampilkan versi lengkap beserta varian wheel. Nilai 2.14.1+cpu menegaskan versi 2.14.1 dengan wheel CPU.
3. Baris 4 (torch.cuda.is_available()): memeriksa dukungan CUDA. Mesin uji Course hanya ber-CPU sehingga hasilnya False — keluaran yang jujur dan diharapkan untuk wheel ini.
4. Baris 6-7 (torch.tensor([[...]])): membuat tensor 2×2 dari list Python bersarang. Penulisan 1.0 (bukan 1) membuat elemen bertipe float32, tipe standar deep learning.
5. Baris 8 (matriks_a + matriks_b): penjumlahan element-wise antar dua tensor; inilah operasi dasar yang dipakai seluruh neural network.
6. Baris 10-11 (print(hasil)): menampilkan tensor hasil beserta kata kunci tensor — penanda bahwa objek yang dicetak adalah tensor PyTorch, bukan list NumPy.
7. Baris 12 (tuple(hasil.shape)): hasil.shape bertipe torch.Size; konversi ke tuple membuatnya tampil sebagai (2, 2).
8. Baris 13-14 (hasil.device dan hasil.dtype): melaporkan lokasi penyimpanan tensor (cpu) dan tipe data elemennya (torch.float32). Kedua atribut ini akan sering Anda periksa saat bekerja dengan perangkat beragam.

Catatan Penting Versi 2.14 #

Dua perubahan pada PyTorch 2.13 dan 2.14 perlu diketahui sejak awal agar kode yang Anda tulis tidak memakai fitur yang sudah pensiun:

• TorchScript (torch.jit) deprecated. Sejak PyTorch 2.14, jalur optimasi yang dianjurkan adalah torch.compile, bukan torch.jit.script. Course ini tidak menggunakan TorchScript sama sekali, dan kode lama yang masih memanggil torch.jit sebaiknya dimigrasikan saat dipelajari kembali.
• Named tensor dihapus. API Tensor.names sudah tidak tersedia sejak PyTorch 2.13, sehingga tutorial lama yang memakainya tidak dapat dijalankan lagi.

Dokumentasi API lengkap tersedia di docs.pytorch.org dan menjadi rujukan utama kita sepanjang Course.

Ringkasan #

Pada Chapter ini kita memilih wheel CPU PyTorch, memasangnya lewat index resmi download.pytorch.org/whl/cpu, lalu memverifikasi instalasi dengan versi paket dan operasi penjumlahan tensor 2×2 yang benar-benar berjalan. Nilai torch.cuda.is_available() yang False juga kita pahami sebagai keluaran wajar wheel CPU pada mesin tanpa GPU. Framework kedua yang juga mendominasi industri — TensorFlow dengan Keras 3 — akan kita pasang pada Chapter berikutnya, lengkap dengan verifikasi model kecil pertama kita.