Pętla treningowa

Czas odświeżyć wiedzę na temat pętli treningowych! Wytrenujemy klasyfikator przewidujący zdatność wody do picia. Użyjesz modelu net, który zbudowano w poprzedniej lekcji.

Kod pętli treningowej jest już napisany, ale niestety wszystkie linie zostały pomieszane! Czy potrafisz ułożyć je we właściwej kolejności, odpowiadającej kolejności operacji wykonywanych podczas treningu?

To ćwiczenie jest częścią kursu

Głębokie uczenie z PyTorch – poziom średnio zaawansowany

Zobacz kurs

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Głębokie uczenie z PyTorch – poziom średnio zaawansowany

SkillTag.level.intermediateSkillTag.label

4.8+

2165 reviews

Rozpocznij kurs za darmo

Naucz się trenować sieci neuronowe w solidny i niezawodny sposób. W tym rozdziale wykorzystasz programowanie obiektowe do definiowania zbiorów danych i modeli w PyTorch oraz odświeżysz wiedzę na temat trenowania i oceny sieci neuronowych. Zapoznasz się też z różnymi optymalizatorami, a na koniec poznasz techniki pozwalające radzić sobie z problemem niestabilnych gradientów – zjawiskiem powszechnym podczas trenowania sieci neuronowych.

Exercise 1: PyTorch i programowanie obiektowe Exercise 2: Zbiór danych PyTorch Exercise 3: PyTorch DataLoader Exercise 4: Model PyTorch Exercise 5: Optymalizatory, trening i ewaluacja Exercise 6: Pętla treningowa

Bieżące ćwiczenie

Exercise 7: Optymalizatory Exercise 8: Ewaluacja modelu Exercise 9: Znikające i eksplodujące gradienty Exercise 10: Inicjalizacja i aktywacje Exercise 11: Funkcje aktywacji: ReLU a ELU Exercise 12: Normalizacja wsadowa

Trenuj sieci neuronowe do rozwiązywania zadań klasyfikacji obrazów. W tym rozdziale nauczysz się pracować z danymi obrazowymi w PyTorch i poznasz konwolucyjne sieci neuronowe (CNN). Przećwiczysz trenowanie i ocenę klasyfikatora obrazów, a także dowiesz się, jak poprawić wydajność modelu dzięki augmentacji danych.

Exercise 1: Praca z obrazami w PyTorch Exercise 2: Zbiór danych z obrazami Exercise 3: Augmentacja danych Exercise 4: Augmentacja danych w PyTorch Exercise 5: Konwolucyjne sieci neuronowe Exercise 6: Warstwa konwolucyjna Exercise 7: Budowanie sieci splotowych Exercise 8: Trenowanie klasyfikatorów obrazów Exercise 9: Wybór augmentacji Exercise 10: Zbiór danych z augmentacjami Exercise 11: Pętla treningowa klasyfikatora obrazów Exercise 12: Ocena klasyfikatorów obrazów Exercise 13: Ocena modelu wieloklasowego Exercise 14: Analiza metryk dla poszczególnych klas

Buduj i trenuj rekurencyjne sieci neuronowe (RNN) do przetwarzania danych sekwencyjnych, takich jak szeregi czasowe, tekst czy audio. Poznasz dwie najpopularniejsze architektury rekurencyjne – sieci Long Short-Term Memory (LSTM) i Gated Recurrent Unit (GRU) – oraz nauczysz się przygotowywać dane sekwencyjne do trenowania modeli. Przećwiczysz zdobyte umiejętności, trenując i oceniając model rekurencyjny do przewidywania zużycia energii elektrycznej.

Exercise 1: Obsługa sekwencji w PyTorch Exercise 2: Generowanie sekwencji Exercise 3: Sekwencyjny zbiór danych Exercise 4: Rekurencyjne sieci neuronowe Exercise 5: Architektury sekwencyjne Exercise 6: Budowanie prognozującej sieci RNN Exercise 7: Komórki LSTM i GRU Exercise 8: RNN vs. LSTM vs. GRU Exercise 9: Sieć LSTM Exercise 10: Sieć GRU Exercise 11: Trenowanie i ewaluacja RNN Exercise 12: Pętla treningowa RNN Exercise 13: Ocena modeli prognozowania

Buduj modele wielowejściowe i wielowyjściowe, które potrafią obsługiwać zadania wymagające więcej niż jednego wejścia lub generujące wiele wyjść. Dowiesz się, jak projektować i trenować takie modele w PyTorch, a także zgłębisz kluczowy temat ważenia straty w modelach wielowyjściowych. Zrozumiesz, jak balansować znaczenie poszczególnych zadań podczas trenowania modelu wykonującego wiele zadań jednocześnie.

Exercise 1: Modele wielowejściowe Exercise 2: Zbiór danych z dwoma wejściami Exercise 3: Model z dwoma wejściami Exercise 4: Trenowanie modelu z dwoma wejściami Exercise 5: Modele wielowyjściowe Exercise 6: Zbiór danych i DataLoader z dwoma wynikami Exercise 7: Architektura modelu z dwoma wyjściami Exercise 8: Trenowanie modeli wielowyjściowych Exercise 9: Ocena modeli wielowyjściowych i ważenie funkcji straty Exercise 10: Ewaluacja modelu wielowyjściowego Exercise 11: Ważenie straty Exercise 12: Podsumowanie