or
Bu egzersiz, kursun bir parçasıdır
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.
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.
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.
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.
Geçerli egzersiz