マルチ出力モデルの評価と損失の重み付け

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

この演習はコースの一部です

PyTorchによる中級ディープラーニング

SkillTag.level.intermediateSkillTag.label

4.8+

無料でコースを始める

堅牢にニューラルネットワークを学習する方法を学びます。本章では、オブジェクト指向プログラミングを使ってPyTorchのデータセットとモデルを定義し、ニューラルネットワークの学習と評価を復習します。さらに、さまざまな最適化手法に触れ、最後にニューラルネットワークの学習で頻出する不安定な勾配の問題を緩和する各種テクニックを身につけます。

Exercise 1: PyTorch とオブジェクト指向プログラミング Exercise 2: PyTorch Dataset Exercise 3: PyTorch DataLoader Exercise 4: PyTorch のモデル Exercise 5: 最適化手法、学習、評価 Exercise 6: トレーニングループ Exercise 7: オプティマイザ Exercise 8: モデルの評価 Exercise 9: 消失勾配と爆発勾配 Exercise 10: 初期化と活性化関数 Exercise 11: 活性化関数：ReLU と ELU Exercise 12: バッチ正規化

画像分類タスクを解くためにニューラルネットワークを学習します。本章では、PyTorchでの画像データの扱い方を学び、畳み込みニューラルネットワーク（CNN）の基礎を押さえます。データ拡張によってモデル性能を高める方法を学びながら、画像分類器の学習と評価を実践します。

Exercise 1: PyTorchで画像を扱う Exercise 2: 画像データセット Exercise 3: Data augmentation Exercise 4: PyTorch によるデータ拡張 Exercise 5: 畳み込みニューラルネットワーク（Convolutional Neural Networks）Exercise 6: 畳み込み層 Exercise 7: 畳み込みネットワークの構築 Exercise 8: 画像分類器の学習 Exercise 9: データ拡張の選択 Exercise 10: データ拡張つきのデータセット Exercise 11: 画像分類器のトレーニングループ Exercise 12: 画像分類器を評価する Exercise 13: 多クラスモデルの評価 Exercise 14: クラス別メトリクスの分析

時系列、テキスト、音声などの時系列データを処理する再帰型ニューラルネットワーク（RNN）を構築・学習します。代表的な2つの再帰アーキテクチャであるLong Short-Term Memory（LSTM）とGated Recurrent Unit（GRU）を学び、モデル学習に向けたシーケンスデータの前処理方法も身につけます。電力消費量の予測を題材に、再帰型モデルの学習と評価を実践します。

Exercise 1: PyTorchでシーケンスを扱う Exercise 2: シーケンスの生成 Exercise 3: 時系列データセット Exercise 4: 再帰型ニューラルネットワーク（RNN）Exercise 5: シーケンシャルなアーキテクチャ Exercise 6: 予測用RNNを構築する Exercise 7: LSTM と GRU のセル Exercise 8: RNN と LSTM と GRU の違い Exercise 9: LSTM ネットワーク Exercise 10: GRU ネットワーク Exercise 11: RNNの学習と評価 Exercise 12: RNN の学習ループ Exercise 13: 予測モデルの評価

複数の入力を扱ったり、複数の出力を生成したりするマルチ入力・マルチ出力モデルを構築します。PyTorchを用いた設計と学習方法を学び、マルチ出力モデルにおける損失の重み付けという重要なトピックを掘り下げます。これは、1つのモデルで複数のタスクを同時に学習する際に、タスク間の重要度をどのようにバランスさせるかを理解することにつながります。

Exercise 1: マルチ入力モデル Exercise 2: 2入力のデータセット Exercise 3: 2入力モデル Exercise 4: 2入力モデルの学習 Exercise 5: マルチ出力モデル Exercise 6: 2出力のDatasetとDataLoader Exercise 7: 2出力モデルのアーキテクチャ Exercise 8: マルチ出力モデルの学習 Exercise 9: マルチ出力モデルの評価と損失の重み付け

現在の演習

Exercise 10: マルチ出力モデルの評価 Exercise 11: 損失の重み付け Exercise 12: まとめ