Gewichte verstehen

In einem linearen Modell spielen Gewichte und Verzerrungen eine entscheidende Rolle dabei, wie Eingänge in Ausgänge umgewandelt werden. Ihre Funktion zu verstehen ist der Schlüssel zum Aufbau effektiver neuronaler Netze. Jetzt wollen wir dein Verständnis testen!

Welche Rolle spielen die Gewichte in einem neuronalen Netz?

Diese Übung ist Teil des Kurses

<Kurs>Einführung in Deep Learning mit PyTorch</Kurs>

Interaktive praktische Übung

Verwandle Theorie mit einer unserer interaktiven Übungen in die Praxis

Diese Übung ist Teil des Kurses

<Kurs>Einführung in Deep Learning mit PyTorch</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Selbstfahrende Autos, Smartphones, Suchmaschinen... Deep Learning ist mittlerweile überall. Bevor du mit der Erstellung komplexer Modelle beginnst, wirst du dich mit PyTorch, einem Deep-Learning-Framework, vertraut machen. Du lernst, wie du Tensoren manipulierst, PyTorch-Datenstrukturen erstellst und dein erstes neuronales Netz in PyTorch mit linearen Schichten aufbaust.

Exercise 1: Einführung in Deep Learning mit PyTorch Exercise 2: Erste Schritte mit PyTorch-Tensoren Exercise 3: Prüfen und Addieren von Tensoren Exercise 4: Neuronale Netze und Schichten Exercise 5: Netzwerke aus linearen Schichten Exercise 6: Gewichte verstehen

Aktuelle Übung

Exercise 7: Verdeckte Schichten und Parameter Exercise 8: Dein erstes neuronales Netz Exercise 9: Lineare Schichten stapeln Exercise 10: Parameter zählen

Um ein neuronales Netz in PyTorch zu trainieren, musst du zunächst zusätzliche Komponenten wie Aktivierungs- und Verlustfunktionen verstehen. Du wirst dann feststellen, dass das Training eines Netzes die Minimierung dieser Verlustfunktion erfordert, was durch die Berechnung von Gradienten geschieht. Du lernst, wie du diese Gradienten nutzen kannst, um die Parameter deines Modells zu aktualisieren.

Exercise 1: Aktivierungsfunktionen entdecken Exercise 2: Wende das Gelernte an!Exercise 3: Die Sigmoid- und Softmax-Funktionen Exercise 4: Einen Vorwärtsdurchlauf ausführen Exercise 5: Einen binären Klassifikator in PyTorch erstellen Exercise 6: Von der Regression zur Mehrklassen-Klassifizierung Exercise 7: Verlustfunktionen zur Bewertung von Modellvorhersagen verwenden Exercise 8: One-Hot-Labels erstellen Exercise 9: Kreuzentropieverlust berechnen Exercise 10: Ableitungen zur Aktualisierung der Modellparameter verwenden Exercise 11: Auf die Modellparameter zugreifen Exercise 12: Die Gewichte manuell aktualisieren Exercise 13: Den PyTorch-Optimierer verwenden

Nachdem du nun die wichtigsten Komponenten eines neuronalen Netzes kennengelernt hast, wirst du eine mit Hilfe einer Trainingsschleife trainieren. Du erkundest mögliche Probleme wie verschwindende Gradienten und lernst Strategien, um sie zu lösen, wie z. B. alternative Aktivierungsfunktionen und die Abstimmung von Lernrate und Momentum.

Exercise 1: Das Laden von Daten im Detail Exercise 2: TensorDataset verwenden Exercise 3: DataLoader verwenden Exercise 4: Unsere erste Trainingsschleife schreiben Exercise 5: MSE-Verlust verwenden Exercise 6: Eine Trainingsschleife schreiben Exercise 7: ReLU-Aktivierungsfunktionen Exercise 8: Die ReLU implementieren Exercise 9: Leaky ReLU implementieren Exercise 10: Aktivierungsfunktionen verstehen Exercise 11: Lernrate und Momentum Exercise 12: Mit der Lernrate experimentieren Exercise 13: Mit dem Momentum experimentieren

Ein Deep-Learning-Modell zu trainieren ist eine Kunst. Um sicherzustellen, dass unser Modell richtig trainiert wird, müssen wir während des Trainings bestimmte Metriken wie den Verlust oder die Genauigkeit im Auge behalten. Wir werden lernen, wie man solche Metriken berechnet und wie man Überanpassung reduziert.

Exercise 1: Schichtinitialisierung und Transferlernen Exercise 2: Feinabstimmung des Prozesses Exercise 3: Schichten eines Modells einfrieren Exercise 4: Schichtinitialisierung Exercise 5: Die Modellleistung bewerten Exercise 6: Die Auswertungsschleife schreiben Exercise 7: Die Genauigkeit mit Hilfe von TorchMetrics messen Exercise 8: Der Kampf gegen Überanpassung Exercise 9: Mit Dropout experimentieren Exercise 10: Überanpassung verstehen Exercise 11: Die Modellleistung verbessern Exercise 12: Zufallssuche implementieren Exercise 13: Zusammenfassung im Video