or
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
เรียนรู้การฝึกโครงข่ายประสาทเทียมอย่างมีประสิทธิภาพ ในบทนี้ คุณจะใช้การเขียนโปรแกรมเชิงวัตถุเพื่อกำหนด PyTorch datasets และโมเดล พร้อมทบทวนความรู้เกี่ยวกับการฝึกและประเมินโครงข่ายประสาทเทียม นอกจากนี้ยังได้ทำความรู้จักกับ optimizer ประเภทต่าง ๆ และเทคนิคที่ช่วยแก้ปัญหา gradient ที่ไม่เสถียร ซึ่งพบได้บ่อยในการฝึกโมเดล
ฝึกโครงข่ายประสาทเทียมสำหรับงานจำแนกประเภทรูปภาพ ในบทนี้ คุณจะเรียนรู้วิธีจัดการข้อมูลรูปภาพใน PyTorch และทำความเข้าใจกับ convolutional neural networks (CNNs) พร้อมฝึกและประเมินโมเดลจำแนกรูปภาพ รวมถึงเรียนรู้วิธีปรับปรุงประสิทธิภาพโมเดลด้วย data augmentation
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
สร้างโมเดลแบบ multi-input และ multi-output เพื่อแสดงให้เห็นว่าโมเดลเหล่านี้รับมือกับงานที่ต้องการข้อมูลนำเข้ามากกว่าหนึ่งชุดหรือสร้างผลลัพธ์หลายรายการได้อย่างไร คุณจะสำรวจการออกแบบและฝึกโมเดลเหล่านี้ด้วย PyTorch และเจาะลึกเรื่องการถ่วงน้ำหนัก loss ในโมเดล multi-output ซึ่งเป็นการทำความเข้าใจวิธีสร้างสมดุลระหว่างความสำคัญของงานต่าง ๆ เมื่อฝึกโมเดลให้ทำหลายงานพร้อมกัน
แบบฝึกหัดปัจจุบัน