Eğitim ve değerlendirme

Bu egzersizde şimdiye kadar öğrendiklerimizi bir araya getirip, el yazısı Etiyopya MNIST karakterlerinden oluşan gerçek bir veri kümesi üzerinde bir sinir ağını eğitip değerlendireceğiz.

ImageClassifier, PyTorch Lightning kullanılarak uygulanmış, önceden tanımlı bir sinir ağı modelidir. Özellik çıkarmak için evrişim katmanları, doğrusal olmayanlık katmak için aktivasyon fonksiyonları ve sınıflandırma için tam bağlantılı katmanlardan oluşur.

Ethiopic MNIST veri kümesi senin için önceden içe aktarıldı.

Bu egzersiz

PyTorch Lightning ile Ölçeklenebilir AI Modelleri

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Trainer'ı içe aktar.
ImageClassifier modelini ve eğiticiyi tanımla.
Modeli eğit.
Modeli doğrulama kümesi üzerinde değerlendir.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Import the Trainer
from lightning.pytorch import ____

# Define ImageClassifier model & trainer and set epoch parameter
model = ____()
trainer = ____(max_epochs=5)

# Train the model
trainer.fit(____, train_loader, val_loader)

# Evaluate the model
val_results = trainer.____(____, val_loader)
print("Validation Accuracy:", val_results[0]["val_acc"])

Kodu Düzenle ve Çalıştır

Bu egzersiz

PyTorch Lightning ile Ölçeklenebilir AI Modelleri

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

In this chapter, we'll explore how PyTorch Lightning simplifies the development and deployment of scalable AI models. Starting with foundational concepts, we'll go through the core structure of a PyTorch Lightning project, including essential components like the LightningModule and Trainer, to set a strong foundation for more advanced AI solutions.

Exercise 1: PyTorch Lightning'e Giriş Exercise 2: LightningModule ile tanış Exercise 3: Lightning Trainer'ı çalıştırma Exercise 4: LightningModule ile modelleri tanımlama Exercise 5: LightningModule'un kullanımı Exercise 6: init metoduna hakim ol Exercise 7: forward metodunu mükemmelleştirme Exercise 8: Eğitim mantığını uygulama Exercise 9: Eğitim adımını uygulama Exercise 10: Optimize ediciyi yapılandırma Exercise 11: Eğitim ve değerlendirme

Geçerli Egzersiz

We'll dive deeper into PyTorch Lightning to efficiently manage data and refine model training in this chapter. We'll learn how to create modular and reusable data workflows with LightningDataModule, evaluate your models accurately through validation and testing, and enhance training processes using Lightning Callbacks to automate model improvement and avoid overfitting.

Exercise 1: Managing data with LightningDataModule Exercise 2: Splitting data with LightningDataModule Exercise 3: Creating a train DataLoader Exercise 4: Incorporating validation and testing Exercise 5: Implementing the validation step Exercise 6: Evaluate model accuracy using Torchmetrics Exercise 7: Enhancing training with Lightning callbacks Exercise 8: Classifying Lightning callbacks Exercise 9: Optimizing model training with Lightning

Learn to prepare deep learning models for real-world deployment by making them leaner and faster. This chapter introduces techniques such as dynamic quantization, pruning, and TorchScript conversion, helping you reduce model size and latency without sacrificing accuracy

Exercise 1: Applying dynamic quantization Exercise 2: Apply dynamic quantization Exercise 3: Comparing quantized model performance Exercise 4: Implementing model pruning techniques Exercise 5: Apply pruning to a linear layer Exercise 6: Finalize pruning by removing the mask Exercise 7: Exporting models with TorchScript Exercise 8: Choosing the right conversion method Exercise 9: Optimizing models for scalability Exercise 10: Recap: Scalable AI Models with PyTorch Lightning