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

    Introducción a PyTorch, una biblioteca de aprendizaje profundo

    Kostenlos

    Coches que se conducen solos, smartphones, motores de búsqueda... El aprendizaje profundo está ahora en todas partes. Antes de empezar a construir modelos complejos, se familiarizará con PyTorch, un marco de aprendizaje profundo. Aprenderás a manipular tensores, crear estructuras de datos en 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 minimizar 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

    Arquitectura de redes neuronales e hiperparámetros

    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 está entrenado correctamente, necesitamos hacer un seguimiento de ciertas métricas durante el entrenamiento, como la pérdida o la precisión. Aprenderemos a calcular estas métricas y a reducir el sobreajuste utilizando como ejemplo un conjunto de datos de imágenes.

Initializing

Ubung

Aplicación de ReLU

La función de unidad lineal rectificada (o ReLU) es una de las funciones de activación más comunes en el aprendizaje profundo.

Supera los problemas de entrenamiento relacionados con la función sigmoidea aprendida, como el problema de los gradientes evanescentes.

En este ejercicio, comenzarás con una implementación de ReLU en PyTorch. A continuación, calcularás los gradientes de la función.

El módulo nn ya ha sido importado.

Anweisungen 1/2

undefined XP
    1
    2
  • Crear una función ReLU en PyTorch.