or
यह अभ्यास पाठ्यक्रम का हिस्सा है
सीखें कि न्यूरल नेटवर्क्स को मज़बूती से कैसे ट्रेन किया जाए। इस अध्याय में, आप ऑब्जेक्ट-ओरिएंटेड प्रोग्रामिंग का उपयोग करके PyTorch डेटासेट्स और मॉडल्स परिभाषित करेंगे और न्यूरल नेटवर्क्स के प्रशिक्षण और मूल्यांकन का दोहराव करेंगे। आप अलग-अलग ऑप्टिमाइज़र्स से भी परिचित होंगे और अंत में, अस्थिर ग्रेडिएंट्स की समस्याओं को कम करने वाली विभिन्न तकनीकों पर पकड़ बनाएँगे, जो न्यूरल नेट्स के प्रशिक्षण में अक्सर देखने को मिलती हैं।
इमेज क्लासिफिकेशन समस्याएँ हल करने के लिए न्यूरल नेटवर्क्स को ट्रेन करें। इस अध्याय में, आप PyTorch में इमेज डेटा को हैंडल करना सीखेंगे और कॉन्वोल्यूशनल न्यूरल नेटवर्क्स (CNNs) पर पकड़ बनाएँगे। आप एक इमेज क्लासिफायर को ट्रेन और इवैल्युएट करने का अभ्यास करेंगे, साथ ही डेटा ऑगमेंटेशन की मदद से मॉडल के प्रदर्शन को बेहतर करना सीखेंगे।
टाइम सीरीज़, टेक्स्ट, या ऑडियो जैसे क्रमबद्ध डेटा को प्रोसेस करने के लिए रिकरंट न्यूरल नेटवर्क्स (RNNs) बनाएँ और ट्रेन करें। आप दो सबसे लोकप्रिय रिकरंट आर्किटेक्चर—Long-Short Term Memory (LSTM) और Gated Recurrent Unit (GRU) नेटवर्क्स—के बारे में सीखेंगे, साथ ही मॉडल ट्रेनिंग के लिए सीक्वेंशियल डेटा को तैयार करना भी जानेंगे। आप अपनी स्किल्स का अभ्यास एक रिकरंट मॉडल को बिजली की खपत का पूर्वानुमान लगाने के लिए ट्रेन और इवैल्युएट करके करेंगे।
मल्टी-इनपुट और मल्टी-आउटपुट मॉडल्स बनाएँ, और देखें कि कैसे ये ऐसे कार्यों को संभालते हैं जिनमें एक से अधिक इनपुट चाहिए होते हैं या जिनसे कई आउटपुट उत्पन्न होते हैं। आप सीखेंगे कि PyTorch का उपयोग करके इन मॉडल्स को कैसे डिज़ाइन और ट्रेन किया जाए, और मल्टी-आउटपुट मॉडल्स में लॉस वेटिंग जैसे अहम विषय में गहराई से जाएँगे। इसमें यह समझना शामिल है कि जब एक मॉडल को एक साथ कई कार्य करने के लिए ट्रेन किया जाता है, तो अलग-अलग टास्क की अहमियत को कैसे संतुलित किया जाए।
वर्तमान अभ्यास