Пишем первый цикл обучения

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.

Это упражнение является частью курса

Введение в глубокое обучение с PyTorch

SkillTag.level.intermediateSkillTag.label

4.8+

4583 reviews

Начать курс бесплатно

Беспилотные автомобили, смартфоны, поисковые системы — глубокое обучение стало частью повседневной жизни. Прежде чем приступить к созданию сложных моделей, вы освоите PyTorch — фреймворк для глубокого обучения. Вы научитесь работать с тензорами, создавать структуры данных PyTorch и построите свою первую нейронную сеть с линейными слоями.

Exercise 1: Введение в глубокое обучение с PyTorch Exercise 2: Первые шаги с тензорами PyTorch Exercise 3: Проверка и сложение тензоров Exercise 4: Нейронные сети и слои Exercise 5: Сеть с линейным слоем Exercise 6: Понимание весов Exercise 7: Скрытые слои и параметры Exercise 8: Ваша первая нейронная сеть Exercise 9: Стек линейных слоёв Exercise 10: Подсчёт числа параметров

Чтобы обучить нейронную сеть в PyTorch, нужно разобраться в её ключевых компонентах: функциях активации и функциях потерь. Вы узнаете, что обучение сети сводится к минимизации функции потерь, которая выполняется с помощью вычисления градиентов. Вы научитесь использовать эти градиенты для обновления параметров модели.

Exercise 1: Знакомство с функциями активации Exercise 2: Проверьте своё понимание!Exercise 3: Функции sigmoid и softmax Exercise 4: Прямой проход Exercise 5: Создание бинарного классификатора в PyTorch Exercise 6: От регрессии к многоклассовой классификации Exercise 7: Использование функций потерь для оценки предсказаний модели Exercise 8: Создание унитарно закодированных меток Exercise 9: Вычисление перекрёстной энтропии Exercise 10: Использование производных для обновления параметров модели Exercise 11: Доступ к параметрам модели Exercise 12: Обновление весов вручную Exercise 13: Использование оптимизатора PyTorch

Изучив основные компоненты нейронной сети, вы приступите к её обучению с помощью цикла обучения. Вы познакомитесь с возможными проблемами, такими как затухание градиентов, и способами их устранения: альтернативными функциями активации, а также настройкой скорости обучения и импульса.

Exercise 1: Загрузка данных: более глубокое погружение Exercise 2: Использование TensorDataset Exercise 3: Использование DataLoader Exercise 4: Пишем первый цикл обучения

Текущее упражнение

Exercise 5: Использование MSELoss Exercise 6: Написание цикла обучения Exercise 7: Функции активации ReLU Exercise 8: Реализация ReLU Exercise 9: Реализация Leaky ReLU Exercise 10: Понимание функций активации Exercise 11: Скорость обучения и импульс Exercise 12: Эксперименты со скоростью обучения Exercise 13: Эксперименты с моментом

Обучение модели глубокого обучения — это настоящее искусство. Чтобы убедиться в корректности обучения, необходимо отслеживать ключевые метрики: функцию потерь и точность. Вы научитесь вычислять эти метрики и бороться с переобучением.

Exercise 1: Инициализация слоёв и трансферное обучение Exercise 2: Процесс дообучения Exercise 3: Заморозка слоёв модели Exercise 4: Инициализация слоёв Exercise 5: Оценка производительности модели Exercise 6: Написание цикла оценки Exercise 7: Вычисление точности с помощью torchmetrics Exercise 8: Борьба с переобучением Exercise 9: Эксперименты с dropout Exercise 10: Понимание переобучения Exercise 11: Улучшение качества модели Exercise 12: Реализация случайного поиска Exercise 13: Заключительное видео