or
Toto cvičení je součástí kurzu
Nauč se trénovat neuronové sítě spolehlivým způsobem. V této kapitole využiješ objektově orientované programování k definování datasetů a modelů v PyTorchi a zopakuješ si, jak neuronové sítě trénovat a vyhodnocovat. Seznámíš se také s různými optimalizátory a nakonec si osvojíš techniky, které pomáhají řešit problémy s nestabilními gradienty – jev, se kterým se při trénování neuronových sítí setkáváš velmi často.
Natrénuj neuronové sítě pro řešení úloh klasifikace obrázků. V této kapitole se naučíš, jak pracovat s obrazovými daty v PyTorchi, a důkladně se seznámíš s konvolučními neuronovými sítěmi (CNN). Budeš trénovat a vyhodnocovat klasifikátor obrázků a zároveň se dozvíš, jak zlepšit výkon modelu pomocí augmentace dat.
Sestav a natrénuj rekurentní neuronové sítě (RNN) pro zpracování sekvenčních dat, jako jsou časové řady, text nebo audio. Naučíš se o dvou nejpopulárnějších rekurentních architekturách – sítích Long Short-Term Memory (LSTM) a Gated Recurrent Unit (GRU) – a také o tom, jak sekvenční data připravit pro trénování modelu. Své dovednosti si procvičíš trénováním a vyhodnocováním rekurentního modelu pro předpověď spotřeby elektřiny.
Sestav modely s více vstupy a více výstupy a uvidíš, jak zvládají úlohy vyžadující více než jeden vstup nebo generující více výstupů. Prozkoumáš, jak tyto modely navrhnout a natrénovat v PyTorchi, a ponoříš se do klíčového tématu vážení ztrát v modelech s více výstupy. To zahrnuje pochopení toho, jak vyvažovat důležitost různých úloh při trénování modelu, který plní více úloh současně.
Aktuální cvičení