Costruire un RNN per il forecasting

È il momento di creare la tua prima rete ricorrente! Sarà un modello sequence-to-vector composto da uno strato RNN con due layer e un hidden_size di 32. Dopo lo strato RNN, un semplice strato lineare mapperà gli output in un singolo valore da predire.

I seguenti import sono già stati eseguiti per te:

import torch
import torch.nn as nn

Questo esercizio fa parte del corso

Deep Learning intermedio con PyTorch

Visualizza corso

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

class Net(nn.Module):
    def __init__(self):
        super().__init__()
        # Define RNN layer
        self.rnn = ____(
            ____,
            ____,
            ____,
            ____,
        )
        self.fc = nn.Linear(32, 1)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Deep Learning intermedio con PyTorch

IntermediárioNível de habilidade

4.8+

2093 reviews

Inizia il corso gratuitamente

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.

Exercise 1: PyTorch e programmazione orientata agli oggetti Exercise 2: Dataset PyTorch Exercise 3: PyTorch DataLoader Exercise 4: Modello PyTorch Exercise 5: Ottimizzatori, training e valutazione Exercise 6: Training loop Exercise 7: Ottimizzatori Exercise 8: Valutazione del modello Exercise 9: Gradienti che svaniscono ed esplodono Exercise 10: Inizializzazione e attivazione Exercise 11: Attivazioni: ReLU vs. ELU Exercise 12: Batch Normalization

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.

Exercise 1: Gestire le immagini con PyTorch Exercise 2: Insieme di immagini (dataset)Exercise 3: Data augmentation Exercise 4: Data augmentation in PyTorch Exercise 5: Convolutional Neural Networks Exercise 6: Il livello convoluzionale Exercise 7: Costruire reti convoluzionali Exercise 8: Addestrare i classificatori di immagini Exercise 9: Scelta delle aumentazioni Exercise 10: Insieme di dati con augmentations Exercise 11: Ciclo di training del classificatore di immagini Exercise 12: Valutare i classificatori di immagini Exercise 13: Valutazione di un modello multi-classe Exercise 14: Analizzare le metriche per classe

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.

Exercise 1: Gestire le sequenze con PyTorch Exercise 2: Generare sequenze Exercise 3: Insieme di dati sequenziale Exercise 4: Reti neurali ricorrenti Exercise 5: Architetture sequenziali Exercise 6: Costruire un RNN per il forecasting

Esercizio attuale

Exercise 7: Celle LSTM e GRU Exercise 8: RNN vs. LSTM vs. GRU Exercise 9: Rete LSTM Exercise 10: Rete GRU Exercise 11: Addestrare e valutare le RNN Exercise 12: Ciclo di training RNN Exercise 13: Valutare i modelli di forecasting

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.

Exercise 1: Modelli con input multipli Exercise 2: Insieme di dati con due input Exercise 3: Modello con due input Exercise 4: Addestramento del modello con due input Exercise 5: Modelli multi-output Exercise 6: Dataset e DataLoader a due uscite Exercise 7: Architettura del modello a due output Exercise 8: Addestrare modelli multi-output Exercise 9: Valutazione dei modelli multi-output e pesatura delle loss Exercise 10: Valutazione di modelli multi-output Exercise 11: Ponderazione della loss Exercise 12: Riepilogo