Leaky ReLU implementieren

Die ReLU ist zwar weit verbreitet, setzt aber negative Eingaben auf 0, was zu Nullgradienten für diese Werte führt. Dadurch können Teile des Modells am Lernen gehindert werden.

Leaky ReLU überwindet dieses Problem, indem es kleine Gradienten für negative Eingaben zulässt, die durch den Parameter negative_slope gesteuert werden. Anstelle von 0 werden negative Eingaben um diesen kleinen Wert skaliert, damit das Modell aktiv lernt.

In dieser Übung wirst du die Leaky-ReLU-Funktion in PyTorch implementieren und ihre Anwendung üben. Das Paket torch sowie torch.nn als nn wurden bereits importiert.

Diese Übung ist Teil des Kurses

Einführung in Deep Learning mit PyTorch

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Create a leaky relu function in PyTorch
leaky_relu_pytorch = ____

x = torch.tensor(-2.0)
# Call the above function on the tensor x
output = ____
print(output)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Einführung in Deep Learning mit PyTorch

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 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

Aktuelle Übung

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