1. Lernen
    2. /
  2. Kurse
    3. /
  3. Introducción al aprendizaje profundo con PyTorch
  • 1

    Introducción a PyTorch, una biblioteca de aprendizaje profundo

    Kostenlos

    Vehículos autónomos, smartphones, motores de búsqueda... El aprendizaje profundo está ahora en todas partes. Antes de empezar a crear modelos complejos, te familiarizarás con PyTorch, un marco de aprendizaje profundo. Aprenderás a manipular tensores, crear estructuras de datos de PyTorch y construir tu primera red neuronal en PyTorch.

  • 2

    Entrenamiento de nuestra primera red neuronal con PyTorch

    Para entrenar una red neuronal en PyTorch, primero tendrás que entender el trabajo de una función de pérdida. Entonces te darás cuenta de que entrenar una red requiere reducir al mínimo esa función de pérdida, lo que se hace calculando gradientes. Aprenderás a utilizar estos gradientes para actualizar los parámetros de tu modelo y, por último, escribirás tu primer bucle de entrenamiento.

  • 3

    Hiperparámetros y arquitectura de redes neuronales

    Los hiperparámetros son parámetros, a menudo elegidos por el usuario, que controlan el entrenamiento del modelo. El tipo de función de activación, el número de capas del modelo y la tasa de aprendizaje son hiperparámetros del entrenamiento de redes neuronales. Juntos descubriremos los hiperparámetros más críticos de una red neuronal y cómo modificarlos.

  • 4

    Evaluación y mejora de los modelos

    Entrenar un modelo de aprendizaje profundo es un arte, y para asegurarnos de que nuestro modelo se entrene correctamente, necesitamos hacer un seguimiento de ciertos parámetros durante el entrenamiento, como la pérdida o la exactitud. Aprenderemos a calcular dichos parámetros y a reducir el sobreajuste utilizando como ejemplo un conjunto de datos de imágenes.

Initializing

Ubung

Implementación de la búsqueda aleatoria

La búsqueda de hiperparámetros es un método costoso desde el punto de vista computacional para experimentar con diferentes valores de hiperparámetros. Sin embargo, puede mejorar el rendimiento. En este ejercicio, implementarás un algoritmo de búsqueda aleatoria.

Muestrearás aleatoriamente 10 valores de la tasa de aprendizaje y el momentum a partir de la distribución uniforme. Para ello, utilizarás la función np.random.uniform().

El paquete numpy ya se ha importado como np.

Anweisungen

100 XP
  • Muestrea aleatoriamente un factor de tasa de aprendizaje entre 2 y 4 para que la tasa de aprendizaje (lr) esté acotada entre \(10^{-2}\) y \(10^{-4}\).
  • Muestrea aleatoriamente un momentum entre 0,85 y 0,99.