or
Den här övningen är en del av kursen
Lär dig att träna neurala nätverk på ett robust sätt. I det här kapitlet använder du objektorienterad programmering för att definiera PyTorch-datamängder och modeller, och du fräschar upp dina kunskaper om träning och utvärdering av neurala nätverk. Du bekantar dig också med olika optimerare och lär dig slutligen olika tekniker för att hantera problemet med instabila gradienter – ett vanligt förekommande problem vid träning av neurala nätverk.
Träna neurala nätverk för bildklassificering. I det här kapitlet lär du dig att hantera bilddata i PyTorch och bekantar dig med CNN-nätverk (convolutional neural networks). Du övar på att träna och utvärdera en bildklassificerare och lär dig hur du kan förbättra modellens prestanda med dataaugmentering.
Bygg och träna rekurrenta neurala nätverk (RNN) för att bearbeta sekventiella data som tidsserier, text eller ljud. Du lär dig om de två mest populära rekurrenta arkitekturerna – LSTM-nätverk (Long Short-Term Memory) och GRU-nätverk (Gated Recurrent Unit) – samt hur du förbereder sekventiella data för modellträning. Du får öva dina kunskaper genom att träna och utvärdera en rekurrent modell för att förutsäga elförbrukning.
Bygg modeller med flera indata och flera utdata, och se hur de hanterar uppgifter som kräver mer än ett indata eller genererar flera utdata. Du utforskar hur du utformar och tränar sådana modeller i PyTorch och fördjupar dig i det viktiga ämnet förlustvikning i modeller med flera utdata. Det handlar om att förstå hur man balanserar vikten av olika uppgifter när en modell tränas för att utföra flera uppgifter samtidigt.
Aktuell övning