Name: Arquitetura de rede neural e hiperparâmetros - Inicialização de camadas e aprendizagem por transferência
Uploaded: 2024-11-19T00:00:00Z
Description: Os hiperparâmetros são parâmetros, geralmente escolhidos pelo usuário, que controlam o treinamento do modelo. O tipo de função de ativação, o número de camadas no modelo e a taxa de aprendizado são todos hiperparâmetros do treinamento da rede neural. Juntos, descobriremos os hiperparâmetros mais importantes de uma rede neural e como modificá-los.

1
Introdução ao PyTorch, uma biblioteca de aprendizagem profunda
Free
Carros autônomos, smartphones, mecanismos de busca... A aprendizagem profunda está agora em toda parte. Antes de começar a criar modelos complexos, você se familiarizará com o PyTorch, uma estrutura de aprendizagem profunda. Você aprenderá a manipular tensores, criar estruturas de dados do PyTorch e criar sua primeira rede neural no PyTorch.
2
Treinando nossa primeira rede neural com o PyTorch
Para treinar uma rede neural no PyTorch, primeiro você precisa entender o trabalho de uma função de perda. Você perceberá que o treinamento de uma rede requer a minimização dessa função de perda, o que é feito por meio do cálculo de gradientes. Você aprenderá a usar esses gradientes para atualizar os parâmetros do seu modelo e, por fim, escreverá seu primeiro loop de treinamento.
3
Arquitetura de rede neural e hiperparâmetros
Os hiperparâmetros são parâmetros, geralmente escolhidos pelo usuário, que controlam o treinamento do modelo. O tipo de função de ativação, o número de camadas no modelo e a taxa de aprendizado são todos hiperparâmetros do treinamento da rede neural. Juntos, descobriremos os hiperparâmetros mais importantes de uma rede neural e como modificá-los.
4
Avaliação e aprimoramento de modelos
Treinar um modelo de aprendizagem profunda é uma arte e, para garantir que nosso modelo seja treinado corretamente, precisamos acompanhar determinadas métricas durante o treinamento, como a perda ou a precisão. Você aprenderá a calcular essas métricas e a reduzir o excesso de ajuste usando um conjunto de dados de imagens como exemplo.

Initializing