or
Deze oefening maakt deel uit van de cursus
Leer hoe je neurale netwerken op een robuuste manier traint. In dit hoofdstuk gebruik je objectgeoriënteerd programmeren om PyTorch-datasets en -modellen te definiëren en fris je je kennis op over het trainen en evalueren van neurale netwerken. Je maakt ook kennis met verschillende optimizers en gaat tot slot aan de slag met technieken die helpen de veelvoorkomende problemen van onstabiele gradiënten bij het trainen van neurale netwerken te beperken.
Train neurale netwerken om beeldclassificatietaken op te lossen. In dit hoofdstuk leer je hoe je beelddata in PyTorch verwerkt en ga je aan de slag met convolutional neural networks (CNN’s). Je oefent met het trainen en evalueren van een beeldclassificatiemodel en leert hoe je de modelprestaties verbetert met data-augmentatie.
Bouw en train recurrente neurale netwerken (RNN’s) voor het verwerken van sequentiële data zoals tijdreeksen, tekst of audio. Je leert over de twee populairste recurrente architecturen, Long Short-Term Memory (LSTM) en Gated Recurrent Unit (GRU), en hoe je sequentiële data voorbereidt voor training. Je oefent je vaardigheden door een recurrent model te trainen en te evalueren om het elektriciteitsverbruik te voorspellen.
Bouw modellen met meerdere inputs en outputs, en laat zien hoe ze taken aankunnen die meer dan één invoer vereisen of meerdere uitvoer genereren. Je onderzoekt hoe je deze modellen ontwerpt en traint met PyTorch en verdiept je in het cruciale onderwerp van verliesweging in multi-outputmodellen. Dit houdt in dat je leert hoe je het belang van verschillende taken in balans brengt wanneer je een model traint om meerdere taken tegelijk uit te voeren.
Huidige oefening