or
Questo esercizio fa parte del corso
Impara ad addestrare reti neurali in modo robusto. In questo capitolo userai la programmazione orientata agli oggetti per definire dataset e modelli in PyTorch e ripasserai come addestrare e valutare reti neurali. Inoltre, conoscerai diversi ottimizzatori e, infine, affronterai varie tecniche che aiutano a mitigare i problemi di gradienti instabili, così comuni nell'addestramento delle reti neurali.
Addestra reti neurali per risolvere compiti di classificazione di immagini. In questo capitolo imparerai a gestire dati di immagini in PyTorch e prenderai confidenza con le convolutional neural networks (CNN). Metterai in pratica l’addestramento e la valutazione di un classificatore di immagini, imparando anche a migliorare le prestazioni del modello con la data augmentation.
Crea e addestra recurrent neural networks (RNN) per elaborare dati sequenziali come serie temporali, testo o audio. Imparerai le due architetture ricorrenti più diffuse, Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU), e come preparare i dati sequenziali per l’addestramento del modello. Metterai in pratica le competenze addestrando e valutando un modello ricorrente per prevedere i consumi di elettricità.
Crea modelli multi-input e multi-output, mostrando come possano gestire compiti che richiedono più di un input o generano più output. Esplorerai come progettare e addestrare questi modelli con PyTorch e approfondirai il tema cruciale del bilanciamento delle perdite nei modelli multi-output. Ciò implica capire come bilanciare l’importanza dei diversi compiti quando si addestra un modello a svolgere più compiti contemporaneamente.
Esercizio attuale