Evrişim katmanı

Evrişim katmanları, çoğu bilgisayarla görme mimarisinin temel yapı taşıdır. Neden kullanıldıklarını ve nasıl çalıştıklarını anlamak, görüntü işleyen sinir ağları kurmak için kritiktir.

Aşağıdaki ifadelerden hangileri evrişim katmanları hakkında doğrudur?

Bu egzersiz, kursun bir parçasıdır

PyTorch ile Orta Düzey Deep Learning

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

PyTorch ile Orta Düzey Deep Learning

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başla

Sinir ağlarını sağlam bir şekilde nasıl eğiteceğini öğren. Bu bölümde, PyTorch veri kümeleri ve modellerini tanımlamak için nesne yönelimli programlamayı kullanacak ve sinir ağlarını eğitme ile değerlendirme bilgini tazeleyeceksin. Farklı optimizasyon algoritmalarını da tanıyacak ve son olarak, sinir ağı eğitiminde yaygın olan kararsız gradyan sorunlarını hafifletmeye yardım eden çeşitli tekniklere hakim olacaksın.

Exercise 1: PyTorch ve nesne yönelimli programlama Exercise 2: PyTorch Veri Kümesi Exercise 3: PyTorch DataLoader Exercise 4: PyTorch Modeli Exercise 5: Optimizasyon araçları, eğitim ve değerlendirme Exercise 6: Eğitim döngüsü Exercise 7: Optimizasyon Algoritmaları Exercise 8: Model değerlendirme Exercise 9: Kaybolan ve taşan gradyanlar Exercise 10: Başlatma ve aktivasyon Exercise 11: Aktivasyonlar: ReLU vs. ELU Exercise 12: Batch Normalization

Görüntü sınıflandırma görevlerini çözmek için sinir ağlarını eğit. Bu bölümde, PyTorch’ta görüntü verisini nasıl işleyeceğini öğrenecek ve evrişimsel sinir ağlarını (CNN) yakından tanıyacaksın. Bir görüntü sınıflandırıcısını eğitip değerlendirirken, veri artırma ile model performansını nasıl iyileştirebileceğini de pratik edeceksin.

Exercise 1: PyTorch ile görüntülerle çalışmak Exercise 2: Görüntü veri kümesi Exercise 3: Veri artırma (data augmentation)Exercise 4: PyTorch'ta veri artırma (data augmentation)Exercise 5: Evrişimli Sinir Ağları Exercise 6: Evrişim katmanı

Geçerli egzersiz

Exercise 7: Evrişimsel ağlar oluşturma Exercise 8: Görüntü sınıflandırıcıları eğitme Exercise 9: Artırmaları seçme Exercise 10: Artırmalarla veri kümesi Exercise 11: Görüntü sınıflandırıcı eğitim döngüsü Exercise 12: Görüntü sınıflandırıcılarını değerlendirme Exercise 13: Çok sınıflı model değerlendirme Exercise 14: Sınıf başına metrikleri analiz etme

Zaman serileri, metin veya ses gibi sıralı verileri işlemek için tekrarlayan sinir ağları (RNN) kurup eğit. En popüler iki tekrarlayan mimari olan Long-Short Term Memory (LSTM) ve Gated Recurrent Unit (GRU) ağlarını, ayrıca sıralı veriyi model eğitimine nasıl hazırlayacağını öğreneceksin. Elektrik tüketimini tahmin etmek için bir tekrarlayan modeli eğitip değerlendirerek becerilerini pekiştireceksin.

Exercise 1: PyTorch ile dizileri işleme Exercise 2: Diziler oluşturma Exercise 3: Sıralı Veri Kümesi Exercise 4: Recurrent Neural Networks Exercise 5: Sıralı mimariler Exercise 6: Bir tahminleme RNN'i oluşturma Exercise 7: LSTM ve GRU hücreleri Exercise 8: RNN vs. LSTM vs. GRU Exercise 9: LSTM ağı Exercise 10: GRU ağı Exercise 11: RNN'leri eğitmek ve değerlendirmek Exercise 12: RNN eğitim döngüsü Exercise 13: Tahmin modellerini değerlendirme

Birden fazla girdi gerektiren veya birden çok çıktı üreten görevleri ele alabilen çok girdili ve çok çıkışlı modeller kur. Bu modelleri PyTorch kullanarak nasıl tasarlayıp eğiteceğini keşfedecek ve çok çıkışlı modellerde kayıp ağırlıklandırması konusuna derinlemesine gireceksin. Bu, bir modeli aynı anda birden fazla görevi yerine getirecek şekilde eğitirken farklı görevlerin önemini nasıl dengeleyeceğini anlamayı içerir.

Exercise 1: Çok girdili modeller Exercise 2: İki girişli veri kümesi Exercise 3: İki girdili model Exercise 4: İki girdili modeli eğitme Exercise 5: Çok çıktılı modeller Exercise 6: İki Çıktılı Dataset ve DataLoader Exercise 7: İki çıktılı model mimarisi Exercise 8: Çoklu çıktı veren modelleri eğitme Exercise 9: Çok çıktılı modellerin değerlendirilmesi ve kayıp ağırlıklandırma Exercise 10: Çoklu çıktı model değerlendirmesi Exercise 11: Kayıp ağırlıklandırma Exercise 12: Kapanış