เลเยอร์คอนโวลูชัน

เลเยอร์คอนโวลูชันเป็นส่วนประกอบพื้นฐานของสถาปัตยกรรม computer vision ส่วนใหญ่ การเข้าใจว่าทำไมต้องใช้และทำงานอย่างไร จึงเป็นสิ่งสำคัญสำหรับการสร้างโครงข่ายประสาทเทียมที่ประมวลผลภาพ

ข้อใดต่อไปนี้เป็นคำกล่าวที่ถูกต้องเกี่ยวกับเลเยอร์คอนโวลูชัน?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Deep Learning ระดับกลางด้วย PyTorch

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Deep Learning ระดับกลางด้วย PyTorch

SkillTag.level.intermediateSkillTag.label

4.8+

เริ่มคอร์สฟรี

เรียนรู้การฝึกโครงข่ายประสาทเทียมอย่างมีประสิทธิภาพ ในบทนี้ คุณจะใช้การเขียนโปรแกรมเชิงวัตถุเพื่อกำหนด PyTorch datasets และโมเดล พร้อมทบทวนความรู้เกี่ยวกับการฝึกและประเมินโครงข่ายประสาทเทียม นอกจากนี้ยังได้ทำความรู้จักกับ optimizer ประเภทต่าง ๆ และเทคนิคที่ช่วยแก้ปัญหา gradient ที่ไม่เสถียร ซึ่งพบได้บ่อยในการฝึกโมเดล

Exercise 1: PyTorch และการเขียนโปรแกรมเชิงวัตถุ Exercise 2: PyTorch Dataset Exercise 3: PyTorch DataLoader Exercise 4: PyTorch Model Exercise 5: Optimizer การฝึก และการประเมินผล Exercise 6: Training loop Exercise 7: Optimizers Exercise 8: การประเมินโมเดล Exercise 9: Gradient ที่หายไปและ Gradient ที่ระเบิด Exercise 10: การกำหนดค่าเริ่มต้นและฟังก์ชัน Activation Exercise 11: Activation Functions: ReLU กับ ELU Exercise 12: Batch Normalization

ฝึกโครงข่ายประสาทเทียมสำหรับงานจำแนกประเภทรูปภาพ ในบทนี้ คุณจะเรียนรู้วิธีจัดการข้อมูลรูปภาพใน PyTorch และทำความเข้าใจกับ convolutional neural networks (CNNs) พร้อมฝึกและประเมินโมเดลจำแนกรูปภาพ รวมถึงเรียนรู้วิธีปรับปรุงประสิทธิภาพโมเดลด้วย data augmentation

Exercise 1: การจัดการรูปภาพด้วย PyTorch Exercise 2: ชุดข้อมูลรูปภาพ Exercise 3: Data augmentation Exercise 4: การทำ Data Augmentation ใน PyTorch Exercise 5: Convolutional Neural Networks Exercise 6: เลเยอร์คอนโวลูชัน

แบบฝึกหัดปัจจุบัน

Exercise 7: การสร้างโครงข่ายประสาทเทียมแบบ Convolutional Exercise 8: การฝึกโมเดลจำแนกประเภทภาพ Exercise 9: การเลือกวิธีเพิ่มข้อมูล (Augmentation)Exercise 10: ชุดข้อมูลพร้อม Augmentation Exercise 11: ลูปการฝึก Image Classifier Exercise 12: การประเมินตัวจำแนกภาพ Exercise 13: การประเมินโมเดลแบบหลายคลาส Exercise 14: การวิเคราะห์ metric แยกตามคลาส

สร้างและฝึก recurrent neural networks (RNNs) สำหรับประมวลผลข้อมูลลำดับ เช่น time series ข้อความ หรือเสียง คุณจะเรียนรู้สถาปัตยกรรม recurrent ที่นิยมที่สุด 2 แบบ ได้แก่ Long Short-Term Memory (LSTM) และ Gated Recurrent Unit (GRU) รวมถึงวิธีเตรียมข้อมูลลำดับสำหรับการฝึกโมเดล และฝึกทักษะโดยการสร้างและประเมินโมเดล recurrent สำหรับพยากรณ์การใช้พลังงานไฟฟ้า

Exercise 1: การจัดการลำดับข้อมูลด้วย PyTorch Exercise 2: การสร้างลำดับข้อมูล Exercise 3: ชุดข้อมูลแบบลำดับ Exercise 4: Recurrent Neural Networks Exercise 5: สถาปัตยกรรมสำหรับข้อมูลลำดับ Exercise 6: สร้าง RNN สำหรับการพยากรณ์Exercise 7: เซลล์ LSTM และ GRU Exercise 8: RNN vs. LSTM vs. GRU Exercise 9: โครงข่าย LSTM Exercise 10: GRU network Exercise 11: การฝึกและประเมินผล RNN Exercise 12: ลูปการฝึก RNN Exercise 13: การประเมินโมเดลพยากรณ์

สร้างโมเดลแบบ multi-input และ multi-output เพื่อแสดงให้เห็นว่าโมเดลเหล่านี้รับมือกับงานที่ต้องการข้อมูลนำเข้ามากกว่าหนึ่งชุดหรือสร้างผลลัพธ์หลายรายการได้อย่างไร คุณจะสำรวจการออกแบบและฝึกโมเดลเหล่านี้ด้วย PyTorch และเจาะลึกเรื่องการถ่วงน้ำหนัก loss ในโมเดล multi-output ซึ่งเป็นการทำความเข้าใจวิธีสร้างสมดุลระหว่างความสำคัญของงานต่าง ๆ เมื่อฝึกโมเดลให้ทำหลายงานพร้อมกัน

Exercise 1: โมเดลแบบหลายอินพุต Exercise 2: ชุดข้อมูลสองอินพุต Exercise 3: โมเดลสองอินพุต Exercise 4: การฝึกโมเดลที่รับ input สองส่วน Exercise 5: โมเดลแบบหลายเอาต์พุต Exercise 6: ชุดข้อมูลและ DataLoader สำหรับโมเดลสองเอาต์พุต Exercise 7: สถาปัตยกรรมโมเดลที่มีสองเอาต์พุต Exercise 8: การเทรนโมเดล multi-output Exercise 9: การประเมินโมเดล multi-output และการถ่วงน้ำหนัก loss Exercise 10: การประเมินผลโมเดลแบบหลายเอาต์พุต Exercise 11: การถ่วงน้ำหนัก Loss Exercise 12: บทสรุป